Soutenance de thèse de Caroline Cognot

Génération stochastique multisite de séries temporelles de variables météorologiques Thèse sous la direction de Liliane BEL, Professeure émérite, la co-direction de Sylvie PAREY, Ingénieure chercheure EDF, et le co-encadrement de David METIVIER, Chargé de recherche INRAE. Elle sera évaluée par Grégoire MARIETHOZ (Professeur, Université de Lausanne), Valérie MONBET (Professeure, Université de Rennes 1), Pierre GLOAGUEN (Maitre de conférences, Université Bretagne Sud), Gwladys TOULEMONDE (Professeure, Université de Montpellier) et Mathieu VRAC (Directeur de recherche CNRS, LSCE, IPSL). Résumé : Le système électrique est fortement exposé aux conditions hydrométéorologiques, dont les évolutions conditionnent à la fois l’adaptation des infrastructures existantes et la conception du futur mix énergétique. L’évaluation de ces contraintes repose sur l’analyse conjointe de plusieurs variables météorologiques sur des étendues spatiales parfois vastes, par exemple à l’échelle d’un bassin versant, d’un pays ou d’un continent. La quantification de la fréquence d’événements météorologiques, en particulier les plus rares et les plus impactants pour le réseau électrique, nécessite des échantillons de très grande taille, souvent hors de portée des ensembles de simulations climatiques issus de modèles physiques. Dans ce contexte, la simulation stochastique constitue une approche efficace pour générer de grands ensembles de séries temporelles météorologiques. Toutefois, la majorité des générateurs existants peinent à reproduire correctement la variabilité spatio-temporelle sur des zones étendues et climatiquement hétérogènes, en raison de structures de dépendance complexes et de contraintes liées à la grande dimension. Cette thèse vise à développer des générateurs stochastiques de variables météorologiques capables de reproduire fidèlement cette variabilité, en combinant des outils de géostatistique spatio-temporelle et des distributions marginales adaptées. L’inférence et la simulation en grande dimension posent des défis méthodologiques majeurs, ce qui motive le développement de techniques spécifiques. Une première contribution est consacrée à la modélisation de la température moyenne journalière. Un schéma de décomposition moyenne-variance, initialement développé dans un cadre unisite, est étendu au cas spatial, tandis que la variabilité résiduelle est décrite par un champ gaussien à covariance non séparable. Le générateur obtenu reproduit fidèlement les statistiques spatio-temporelles observées, y compris lors d’événements extrêmes spatialement étendus. La seconde contribution concerne la génération des précipitations journalières, rendue complexe par la présence d’une masse en zéro et par une forte hétérogénéité spatiale. Une approche en deux étapes combine un modèle de Markov caché spatial pour les occurrences et un modèle conditionnel d’intensité fondé sur des lois de Pareto généralisées étendues et un champ gaussien tronqué, permettant de reproduire les statistiques locales, la dépendance spatiale et la continuité spatio-temporelle entre conditions sèches et humides. La structure retenue pour la modélisation spatio-temporelle des intensités de précipitation ouvre la voie à une extension multivariée, permettant à terme la construction de générateurs conjoints pluie–température, particulièrement pertinents pour l’évaluation des risques climatiques et l’anticipation des impacts du changement climatique sur le système électrique.