• Aide
  • Eurêkoi Eurêkoi

Livre

Événements naturels extrêmes : théorie statistique et mitigation du risque


  • Contributeur(s)
  • Éditeur(s)
  • Date
    • impr. 2018
  • Notes
    • Bibliogr. p. 491-549. Glossaire. Index
  • Langues
    • Français
  • Description matérielle
    • 1 vol. (562 p.) : ill. ; 24 cm
  • Collections
  • Sujet(s)
  • ISBN
    • 978-2-7430-2419-2
  • Indice
    • 55.2 Catastrophes et risques naturels
  • Quatrième de couverture
    • Avant que survienne un événement naturel extrême (crues, pluie diluvienne, tempête, tremblement de terre...) , il est essentiel de pouvoir disposer de méthodes et d'outils permettant de réduire le risque d'exposition des populations, des ouvrages de génie civil et des installations industrielles, en particulier lorsque celles-ci agissent en interaction avec l'environnement. La théorie statistique des valeurs extrêmes constitue l'un des ingrédients majeurs des outils de mesure et d'aide à la mitigation des risques. L'appréhension moderne de ces risques extrêmes nécessite de nombreuses extensions de la théorie de base. En effet, un besoin accru de précision - quel risque peut caractériser une zone non instrumentée, ou possédant un faible historique ? - une injonction à considérer des cumuls d'aléas plutôt qu'un aléa unique, ainsi que la prise en compte de tendances climatiques non-stationnaires caractérisent ces études modernes. La fusion d'informations hétérogènes, spatiales et temporelles, et la recherche de données extrêmes dans des bases de plus en plus massives deviennent indispensables. Mais l'emploi de ces outils, au contact des applications, ne peut également se passer d'analyse critique et de conseils de praticiens.

      Cet ouvrage présente l'ensemble de cette méthodologie, de façon transverse à différentes spécialités scientifiques telles que l'hydrologie, l'océanographie, la climatologie ou la météorologie. Partant de la caractérisation probabiliste des événements extrêmes naturels, celle-ci mène à la quantification d'indicateurs aussi importants que les niveaux de retour, les fréquences de dépassements conjoints de seuils extrêmes ou les tests de tendances, en permanence nourrie par des exemples traités par les chercheurs d'EDF. Les grands théorèmes fondateurs de modélisation probabiliste et d'estimation statistique, les mécanismes d'analyse spatiale et temporelle, l'étude des structures de corrélation dans les extrêmes et les plus récents résultats de modélisation statistique bayésienne sont décrits et leur application est discutée en détail. Accessible à l'étudiant, au professeur, à l'ingénieur, au chercheur, cet ouvrage s'adresse également aux actuaires et aux compagnies d'assurance et de réassurance.


  • Tables des matières
      • Événements naturels extrêmes : théorie statistique et mitigation du risque

      • Nicolas Bousquet

      • Pietro Bernardara

      • Lavoisier

      • Notations38
      • Introduction
        N. Bousquet, P. Bernardara41
      • 1 Des enjeux économiques et sociétaux majeurs41
      • 2 Une théorie statistique des extrêmes44
      • 3 Objectifs de l'ouvrage46
      • 3.1 Nécessité d'une approche transverse des extrêmes46
      • 3.2 Une démarche génétique pour quels aléas ?47
      • 3.3 Des réponses à de nouvelles appréhensions du risque47
      • 4 Principaux messages48
      • I Quantification des aléas naturels extrêmes53
      • 1 Modélisation probabiliste et quantification statistique des aléas naturels
        P. Bernardara, N. Bousquet55
      • 1.1 Le bien-fondé d'une approche statistique des extrêmes55
      • 1.1.1 Pertinence pratique et champ d'application55
      • 1.1.2 Pertinence phénoménologique58
      • 1.1.3 Comment mener une étude-type ?59
      • 1.2 Approches alternatives62
      • 1.2.1 Adaptation des approches théoriques et autres lois statistiques62
      • 1.2.2 Approches stochastiques par scénarios62
      • 2 Concepts fondamentaux de l'aléatoire
        N. Bousquet63
      • 2.1 Introduction63
      • 2.2 Problèmes unidimensionnels63
      • 2.3 Familles de modèles paramétriques66
      • 2.3.1 Lois67
      • 2.3.2 Tests statistiques69
      • 2.4 Cas multidimensionnels72
      • 2.5 Processus aléatoires et stationnarité73
      • 2.6 Modélisations probabiliste et statistique75
      • 2.7 Contrôle de l'erreur de modélisation76
      • 2.7.1 Convergence des modèles76
      • 2.7.2 Estimation statistique classique79
      • 2.8 Rappels sur la régression85
      • 2.8.1 Approche paramétrique85
      • 2.8.2 Approche non paramétrique86
      • 3 Recueil et traitement de données
        M. Andreewsky, N. Bousquet89
      • 3.1 Introduction89
      • 3.2 Recherche des données disponibles90
      • 3.2.1 La collecte des données90
      • 3.2.2 L'analyse de la quantité de données93
      • 3.3 Vérification de la qualité des données95
      • 3.3.1 Pertinence d'une observation extrême96
      • 3.3.2 Détection de ruptures et valeurs aberrantes99
      • 3.3.3 Traitement des arrondis et bruits de mesure99
      • 3.3.4 Cas de données simulées100
      • 3.4 Caractérisation statistique101
      • 3.4.1 Vérification de l'indépendance des données101
      • 3.4.2 Test d'occurrence des pics (approche POT)104
      • 3.4.3 Vérification de la stationnarité105
      • 4 Théorie des valeurs extrêmes univariées : pratiques et limitations
        A. Dutfoy113
      • 4.1 Introduction113
      • 4.1.1 Extrêmalité d'un aléa113
      • 4.1.2 Structure du chapitre114
      • 4.2 Résultats fondamentaux115
      • 4.2.1 Quelques définitions115
      • 4.2.2 Théorèmes fondamentaux119
      • 4.2.3 Difficultés d'application123
      • 4.2.4 Pourquoi le choix de lois généralisées ?126
      • 4.3 Caractérisation de l'extrêmalité d'un aléa126
      • 4.3.1 Niveau de retour127
      • 4.3.2 Fréquence annuelle130
      • 4.4 Inférence des modèles132
      • 4.4.1 Inférence d'une loi GEV133
      • 4.4.2 Inférence d'une loi GPD137
      • 4.4.3 Précisions sur l'estimateur de Hill de (...)139
      • 4.4.4 Inférence de l'indice extrêmal (...)140
      • 4.4.5 Validation des modèles141
      • 4.5 Cheminement d'une étude141
      • 4.5.1 Extraction d'un processus stationnaire142
      • 4.5.2 Extraction des maxima annuels et maxima de clusters144
      • 4.6 Application d'un modèle GPD à des données de vent151
      • 4.6.1 Estimation de l'indice extrêmal (...)151
      • 4.6.2 Validation du modèle inféré152
      • 4.6.3 Estimation des périodes de retour et fréquences annuelles153
      • 4.7 Perspectives154
      • II - Éléments d'analyse statistique approfondie159
      • 5 Analyse des extrêmes par régionalisation
        J. Weiss, M. Andreewsky161
      • 5.1 Introduction161
      • 5.1.1 Principe général162
      • 5.1.2 Vision historique162
      • 5.1.3 Principe de l'analyse régionale163
      • 5.1.4 Principales étapes d'une analyse régionale166
      • 5.2 Échantillonnage spécifique des extrêmes167
      • 5.2.1 Déclusterisation spatio-temporelle168
      • 5.2.2 Application aux tempêtes marines169
      • 5.3 Formation de régions homogènes174
      • 5.3.1 Identification de l'homogénéité physique174
      • 5.3.2 Vérification de l'homogénéité statistique176
      • 5.3.3 Prise en compte de la dépendance spatiale181
      • 5.3.4 Modèle de dépendance entre les sites d'observation182
      • 5.4 Diagnostics locaux et régionaux183
      • 5.4.1 Construction de l'échantillon régional183
      • 5.4.2 Durée effective régionale184
      • 5.4.3 Période de retour locale et régionale185
      • 5.4.4 Application aux tempêtes marines185
      • 5.5 Performances comparées des méthodes d'analyse187
      • 5.5.1 Traitement des incertitudes sur les niveaux de retour188
      • 5.5.2 Prise en compte des outliers189
      • 5.6 Perspectives191
      • 5.6.1 Formation des régions homogènes191
      • 5.6.2 Hétérogénéité résiduelle192
      • 5.6.3 Analyse régionale historique192
      • 5.6.4 Analyse régionale non-stationnaire193
      • 5.6.5 Analyse régionale multivariée193
      • 6 Valeurs extrêmes de séries temporelles non stationnaires
        S. Parey, T.T.H. Hoang195
      • 6.1 Tendances dans les paramètres des lois d'extrême196
      • 6.1.1 Détection et modélisation de tendances197
      • 6.1.2 Estimation et sélection d'un modèle fonctionnel global202
      • 6.1.3 Limitations208
      • 6.2 Approche par évolution moyenne-variance208
      • 6.2.1 Principes méthodologiques de test et de modélisation209
      • 6.3 Redéfinition(s) du niveau de retour et autres critères de risque211
      • 6.3.1 Niveau de retour en contexte non stationnaire211
      • 6.3.2 D'autres critères de risque adaptés à la non-stationnarité214
      • 6.4 Cas d'étude216
      • 6.4.1 Extrêmes de température216
      • 6.4.2 Extrêmes de pluie221
      • 7 Théorie des valeurs extrêmes multivariées : pratique et limitations
        A. Dutfoy231
      • 7.1 Introduction231
      • 7.1.1 Pourquoi le multivarié ?231
      • 7.1.2 Les difficultés du cadre multivarié232
      • 7.1.3 Plan du chapitre234
      • 7.2 Quelle dépendance ?235
      • 7.2.1 Indépendance asymptotique235
      • 7.2.2 Observation des données237
      • 7.2.3 Mesures et tests de dépendance241
      • 7.3 Résultats fondamentaux249
      • 7.3.1 Ordre partiel et marginal ordering249
      • 7.3.2 Loi limite des maxima multivariés251
      • 7.3.3 Limites du modèle GEV254
      • 7.3.4 Queue de distribution multivariée254
      • 7.4 Cheminement d'une étude258
      • 7.4.1 Démarche générale258
      • 7.4.2 Stratégies d'inférence259
      • 7.4.3 Inférence261
      • 7.4.4 Exploitation des modèles267
      • 7.5 Conclusion et perspectives270
      • 8 Modèles stochastiques et physiques pour la simulation : une alternative au manque de données
        S. Parey, T.T.H. Hoang, N. Bousquet273
      • 8.1 Introduction273
      • 8.2 Modèles stochastiques issus des statistiques274
      • 8.2.1 Température de l'air274
      • 8.2.2 Précipitations276
      • 8.2.3 Vitesse du vent277
      • 8.2.4 Rayonnement solaire277
      • 8.2.5 Modélisation stochastique par des processus de diffusion bornés279
      • 8.2.6 Cas d'étude 1 : températures extrêmes de l'air286
      • 8.2.7 Cas d'étude 2 : extrêmes d'indices de gel291
      • 8.3 Emploi de modèles numériques dynamiques293
      • 8.3.1 Modèles physiques implémentés293
      • 8.3.2 Exploration et calcul de risque par Monte Carlo295
      • 8.3.3 Robustesse et temps de calcul297
      • 8.3.4 Méthodes de Monte Carlo accélérées300
      • 8.3.5 Mise en oeuvre pratique des méthodologies311
      • 8.3.6 Validation dans les situations extrêmes312
      • 9 Traitement bayésien des statistiques extrêmes
        N. Bousquet319
      • 9.1 Principes méthodologiques319
      • 9.1.1 La crédibilité plutôt que la confiance319
      • 9.1.2 Traitement de l'incertitude paramétrique321
      • 9.1.3 Sélection de modèle323
      • 9.1.4 Prise de décision pour la mitigation des risques325
      • 9.1.5 Critique pratique du cadre bayésien328
      • 9.2 Modélisation a priori330
      • 9.2.1 Choix d'une mesure de référence330
      • 9.2.2 Choix d'une forme a priori336
      • 9.2.3 Modélisations a priori conjuguées et semi-conjuguées338
      • 9.2.4 Modélisation hiérarchique344
      • 9.3 Calibration349
      • 9.3.1 Calibration fondée sur des données350
      • 9.3.2 Calibration à partir de jugement d'expert357
      • 9.4 Calcul bayésien366
      • 9.4.1 Principe général366
      • 9.4.2 Méthodes MCMC367
      • 9.4.3 Reconstitution de données incomplètes371
      • 9.4.4 Autres approches computationnelles373
      • 9.5 Perspectives374
      • 10 Conclusions et perspectives
        M. Andreewsky, P. Bernardara, N. Bousquet, A. Dutfoy, S. Parey377
      • 10.1 Bilan et recommandations377
      • 10.2 Perspectives380
      • 10.2.1 Traitement de grandes bases de données380
      • 10.2.2 Amélioration de la robustesse des lois381
      • 10.2.3 Interactions entre modèles statistiques et numériques383
      • 10.2.4 Pérenniser une vision multidisciplinaire384
      • III Traitement complet d'exemples industriels387
      • 11 Prévision de houle extrême en Vendée
        P. Bernardara389
      • 11.1 Contexte de l'étude389
      • 11.1.1 Variable d'étude et niveaux de probabilité389
      • 11.1.2 Collecte des donnés390
      • 11.2 Échantillonnage des valeurs extrêmes390
      • 11.2.1 Représentation390
      • 11.2.2 Test de stationnarité391
      • 11.2.3 Analyse de l'indépendance des observations392
      • 11.2.4 Analyse de la taille de l'échantillon393
      • 11.3 Estimation statistique393
      • 11.4 Test et vérification graphique394
      • 11.5 Calcul des résultats et analyse critique396
      • 12 Prévision de surcote extrême à Brest
        M. Andreewsky399
      • 12.1 Collecte et pré-traitement des données399
      • 12.1.1 Données originales399
      • 12.1.2 Constitution des échantillons de surcotes399
      • 12.1.3 Prise en compte de l'eustatisme400
      • 12.2 Méthodologie401
      • 12.2.1 Méthodes d'échantillonnage401
      • 12.2.2 Lois utilisées404
      • 12.2.3 Tests statistiques404
      • 12.2.4 Critères pratiques pour l'évaluation des données et des résultats405
      • 12.3 Estimation par maxima annuels406
      • 12.4 Estimation des surcotes extrêmes par la méthode sup-seuil408
      • 12.4.1 Recherche des seuils optimaux408
      • 12.5 Conclusion et discussion414
      • 13 Prévision de vents extrêmes à Nantes
        S. Parey415
      • 13.1 Contexte de l'étude415
      • 13.1.1 Variable d'étude et niveaux de probabilité415
      • 13.1.2 Collecte des données415
      • 13.2 Échantillonnage des valeurs extrêmes416
      • 13.2.1 Analyse par sous-population417
      • 13.2.2 Méthodes d'échantillonnage417
      • 13.2.3 Détection de non-stationnarité418
      • 13.2.4 Analyse de l'indépendance des observations418
      • 13.3 Estimation statistique421
      • 13.3.1 Approche MAXB421
      • 13.4 Tests et vérifications graphiques421
      • 13.4.1 Approche MAXB421
      • 13.4.2 Approche POT422
      • 13.5 Calcul des résultats422
      • 13.5.1 Influence de la jittérisation422
      • 13.5.2 Validation424
      • 14 Conjonction des pluies sur deux bassins versants voisins
        N. Roche, A. Dutfoy427
      • 14.1 Introduction427
      • 14.2 Analyse des données427
      • 14.2.1 Le bassin de l'Isère à Grenoble428
      • 14.2.2 Le bassin du Drac à Grenoble428
      • 14.2.3 Les données de pluie de bassin428
      • 14.2.4 Études marginales des données428
      • 14.3 Analyse de la dépendance asymptotique431
      • 14.3.1 Analyse des mesures bivariées dans l'espace des rangs432
      • 14.3.2 Analyse des coordonnées pseudo-polaires433
      • 14.3.3 Test d'indépendance de Falk et Michel435
      • 14.3.4 Conclusion437
      • 14.4 Structure de dépendance437
      • 14.4.1 Fonction de dépendance de Pickands438
      • 14.4.2 Test d'adéquation438
      • 14.4.3 Choix du modèle final439
      • 14.5 Emploi du modèle439
      • 14.5.1 Queue de distribution de la loi jointe439
      • 14.5.2 Loi des pluies conditionnelle à une conjonction d'extrêmes440
      • 14.5.3 Loi marginale d'une pluie conditionnelle à une conjonction d'extrêmes441
      • 14.5.4 Loi conditionnelle des pluies d'un bassin versant441
      • 15 Conjonction de crue et de tempête
        A. Sibler, A. Dutfoy445
      • 15.2 Introduction445
      • 15.3 Résumé des analyses univariées446
      • 15.3.1 Données disponibles446
      • 15.3.2 Saisonnalité et tendance446
      • 15.3.3 Approche POT et inférence des modèles GPD447
      • 15.4 Analyse bivariée du débit et du vent448
      • 15.4.1 Observations bivariées448
      • 15.4.2 Analyse de la dépendance asymptotique451
      • 15.4.3 Validation physique de la tendance statistique453
      • 15.5 Probabilités et fréquences annuelles455
      • 15.5.1 Probabilités de cumul d'aléas de période de retour455
      • 15.5.2 Fréquences annuelles457
      • 15.6 Perspectives459
      • 16 Schadex : une alternative aux extrêmes en hydrologie
        E. Paquet461
      • 16.1 Introduction461
      • 16.1.1 Objectifs461
      • 16.1.2 Historique462
      • 16.2 Méthodologie463
      • 16.2.1 Généralités463
      • 16.2.2 Principaux éléments méthodologiques464
      • 16.2.3 Pluie de bassin466
      • 16.2.4 Modèle hydrologique MORDOR468
      • 16.3 Conduite de l'analyse472
      • 16.4 Cas d'étude I : bassin du Tarn à Millau475
      • 16.5 Cas d'étude II : bassin de l'Arve à Arthaz481
      • 17 Outils informatiques489
      • 17.1 Logiciels utilisés à EDF489
      • 17.2 Packages R490
      • 17.3 Autres outils logiciels490
      • Bibliographie490
      • Glossaire551
      • Index557

  • Origine de la notice:
    • FR-751131015 ;
    • BPI
  • Disponible - 55.2 BOU

    Niveau 2 - Sciences