Université de Toulouse

MASTER 2 GEOMATIQUE
« Science de l’Information Géoréférencée pour la Maîtrise de l’environnement
et l’Aménagement des territoires » (SIGMA)

http://sigma.univ-toulouse.fr

RAPPORT DE STAGE

Modélisation du risque de ruissellement et

inondation à Port-au Prince

Andrea Bozza

Maîtres de stage : Bernard Allenbach – Arnaud Durand

Co-encadrement Hydrologie : Daniele Bocchiola

Tuteur-enseignant : David Sheeren

13 Septembre 2012

1
 Table des matières
Résumé ................................................................................................................................................................... 4
Introduction ............................................................................................................................................................ 4
1. Sujet de Stage ............................................................................................................................................ 4
2. Présentation de l’établissement d’accueil ................................................................................................. 5
Contexte du Stage .................................................................................................................................................. 5
1. Le projet KAL-Haiti ..................................................................................................................................... 5
2. La zone d’étude .......................................................................................................................................... 6
3. Problématique spécifique du ruissellement .............................................................................................. 8
Création de la base de données ............................................................................................................................. 9
1. Données raster ........................................................................................................................................... 9
i. Données aériennes Google .................................................................................................................. 10
ii. Données LIDAR .................................................................................................................................... 10
iii. Images optiques SPOT 5 ...................................................................................................................... 11
iv. Données SPOT – HRS ........................................................................................................................... 11
2. Données vecteurs .................................................................................................................................... 12
i. Bâti ....................................................................................................................................................... 12
ii. Routes et ilots ...................................................................................................................................... 12
iii. Classification d’occupation du Sol ....................................................................................................... 13
3. Les sources de données météo ................................................................................................................ 14
i. Stations pluviométriques NOAA .......................................................................................................... 14
ii. Tropical Rainfall Measuring Mission (TRMM) ...................................................................................... 15
Vision des écoulements à l’aide de modèles topographiques ............................................................................ 16
1. Prétraitements des MNT .......................................................................................................................... 17
i. Rééchantillonnage et lissage ............................................................................................................... 17
ii. Remplissage des trous ......................................................................................................................... 18
iii. Problématique due à la mosaïque ....................................................................................................... 20
2. Analyse hydro morphologique ................................................................................................................. 20
iv. Remplissage des cuvettes .................................................................................................................... 20
v. Direction des flux ................................................................................................................................. 21
vi. Accumulation des flux ......................................................................................................................... 22
vii. Vectorisation des flux .......................................................................................................................... 24
viii. Bassins versants ................................................................................................................................... 25
ix. Temps d’écoulement ........................................................................................................................... 25
Modélisation hydrologique .................................................................................................................................. 27
1. La pluviométrie ........................................................................................................................................ 27
i. Sélection des données TRMM ............................................................................................................. 27
ii. Désagrégation des précipitations journalières en valeurs horaires .................................................... 28
iii. Temps de retour .................................................................................................................................. 29
2. Les drains ................................................................................................................................................. 30

2
 i. Digitalisation des drains (Lidar, Google) .............................................................................................. 30
ii. Zone (montagne, plaine) ..................................................................................................................... 31
iii. Calibrage de la section d’entrée dans la plaine ................................................................................... 31
iv. Création d'un MNS nettoyé ................................................................................................................. 33
v. Nettoyage de la classification d’occupation du sol.............................................................................. 36
3. Les Modèles ............................................................................................................................................. 38
i. Typologie des logiciel pour les modèles 1D, 2D.................................................................................. 39
ii. Application modèle 1D avec HEC Géo-Ras .......................................................................................... 40
a. Zone d’intérêt .................................................................................................................................. 41
b. Complexifications possibles pour le modèle 1D .............................................................................. 46
c. Limitations du modèle 1D de HEC-RAS ........................................................................................... 47
iii. Validation des modèles ....................................................................................................................... 47
a. Analyse de la fiabilité en présence de données observées ............................................................. 47
b. Analyse de la fiabilité en présence de données indirectes ............................................................. 48
c. Estimation de la qualité pour trois zones ........................................................................................ 49
Conclusion ............................................................................................................................................................ 52
Table des figures ................................................................................................................................................... 53
Table des tableaux................................................................................................................................................ 54
Références Bibliographiques................................................................................................................................ 54
Annexe 1 : Diagramme de Gantt .......................................................................................................................... 56

3
 Résumé
A terme, l'objectif est de prévoir les inondations et les ruissellements urbains à l'échelle de l'agglomération de
Port-au-Prince. L’étude présentée dans ce mémoire peut être vue comme une étude de faisabilité technique
pour explorer le potentiel de l'imagerie à très haute résolution en vue de réaliser des modélisations
hydrologiques ; il ne s'agît donc pas d'une étude classique d’hydrologie. La méthodologie est exposée en quatre
volets, à savoir : analyse hydro-morphologique, base de données météo, modélisation hydrologique. A la suite
de la préparation de la base de données et d'une première analyse globale, la deuxième partie consiste à faire
des itérations entre la modélisation et les données pour progresser. La discussion de l’étude est donnée dans la
conclusion, en proposant une validation de résultats sur Port-au-Prince à partir d'une modélisation similaire
réalisée sur la ville de Gonaïves, ville située à 100 km au nord de la capitale, pour laquelle on possède une
image des inondations produites par l’ouragan Ike en 2008. Cependant, l’objectif de cette étude préparatoire
est plutôt de créer une structure reproductible de bases de données issue en grande partie de la télédétection,
exploitable pour les modélisations hydrologiques. L’intérêt du projet a été fortement enrichi par effet d’un
travail d’équipe basé sur deux écoles bien différentes : les spécialistes du traitement d’image et de la
cartographie des inondations du Sertit et les hydrologues, modélisateurs, de l’école polytechnique de Milan.
Par conséquent, la force de ce travail est de bénéficier des critiques pertinentes et constructives mais parfois
contradictoires issues de ce double perspectif. Cette étude a été présentée le 7 Juan 2012 au Centre National
d’Etude Spatial (CNES) de Paris pour le "Deuxième atelier des contributeurs du Projet KAL-Haïti".

The project aims is to predict floods and urban runoff across the metropolitan area of Port Au Prince. The study
presented in this paper can be seen as a technical feasibility study to explore the potential of a high-resolution
imagery to achieve hydrological modeling. The methodology is exposed in four parts, namely: hydro-
morphological analysis, runoff database, hydrologic modeling. Following the preparation of the database and a
first overall analysis, the second part is to make iterations between modeling and data grow. The study’s
discussion is given in the conclusion, offering validation results on Port Au Prince from a similar modeling
performed in the city of Gonaives (100 km north of the capital) which has produced an image of flooding from
Hurricane Ike in 2008. However, the objective of this preliminary study is rather to create a reproducible
structure databases outcome largely exploitable remote sensing for hydrological modeling. The interest of the
project was greatly enriched by the effect of a team based on two different research centers: the specialist on
image processing and flood’s mapping from Sertit and the hydrologists, modelers, from the Polytechnic
university of Milan. Therefore, the strength of this work is to get relevant and constructive criticism from this
dual perspective. This study has been presented in Paris the 7 June 2012, during the KAL-Haiti meeting at the
“Centre National d’Etude Spatial”, CNES.

Introduction
1. Sujet de Stage
Une base de données importante décrivant l'agglomération de Port-au-Prince est disponible au SERTIT, elle
comprend de l'imagerie satellite et aéroportée de très haute résolution (jusqu'à 15 cm de résolution), des
cartographies d'enjeux, et des données Lidar. Cette base de données fait partie du projet KAL-Haïti financé par
l'Agence Nationale de la Recherche (ANR), dont le Centre National d'Etudes Spatiales (CNES) est leader et le
SERTIT l'un des quatre partenaires. Il s'agît ici de contribuer à une évaluation des risques-vulnérabilité induits
par les aléas naturels sur la zone constituée par l'agglomération de Port-au-Prince. L'aléa considéré dans
l'étude est l'inondation-ruissellement, un phénomène qui affecte gravement et très régulièrement toute l'île
d'Hispaniola. Un objectif serait d'inscrire cette évaluation dans une description générique et intégrée des
risques naturels applicable à l'agglomération de Port-au-Prince. Ce risque hydrologique devrait être évalué au
moyen d'une modélisation à l'échelle de l'agglomération, visant en particulier à prévoir les ruissellements
urbains.

4
2. Présentation de l’établissement d’accueil
Le SERTIT, Service Régional de Traitement d'Image et de Télédétection, est un centre dédié à la production
d’information géographique à partir de données spatiales ainsi qu’un institut de recherche et développement
(R&D) qui appartient à l'Ecole Nationale Supérieure de Physique de Strasbourg (ENSPS). Il a pour vocation
d’extraire de l’information géographique à partir des données issues des systèmes d'observation de la Terre,
essentiellement des satellites, mais également des plateformes aéroportées. Il est situé sur le campus
universitaire d’Illkirch de l’Université de Strasbourg. Paul de Fraipont, son directeur actuel, a créé le SERTIT en
1986.

Contexte du Stage
1. Le projet KAL-Haiti
Durant la phase de crise, des dizaines d’images satellite, optiques et radar, de différentes résolutions, des
photographies aériennes, des mesures de terrain et des relevés LIDAR (Light Detection and Ranging) ont été
acquis par de très nombreux opérateurs de satellites, agences spatiales ou sociétés privées. Valoriser ces
données et faire de la crise une opportunité, c’est l’objectif principal qui guide le projet KAL-Haïti. Ce projet,
ainsi appelé en allusion à un autre programme du Centre National d'Etudes Spatiales (CNES), appelé Kalidéos, a
été initié par le CNES et le SERTIT. Il est financé par l’ANR et a démarré officiellement le 1er décembre 2010.
L'objectif est de mettre à disposition des chercheurs et des institutionnels chargés de la reconstruction en Haïti
une base de données constituée d'images de télédétection et de nombreuses données in situ. Les domaines
visés sont la gestion globale du risque, de la phase de la prévision à celle de la résilience, en se basant sur les
besoins d’utilisateurs réels et motivés. Cette base de données de référence, libre de droit d’utilisation (pour les
usages non commerciaux), sert de support à des recherches pour développer des méthodes d'analyse utiles
aux gestionnaires du risque et aux opérations de reconstruction qui s’engagent en Haïti. Le consortium du
projet est constitué de quatre partenaires principaux. Le CNES est le leader du projet. Il s’est engagé à fournir
des images satellitaires et à maintenir la base de données pour une période de dix ans. Le SERTIT s’occupe de la
production des informations cartographiques et géographiques. Il réalise également des études concernant les
dégâts dus au séisme, afin d’aider à une reconstruction durable en Haïti. Le Bureau de Recherches Géologiques
et Minières (BRGM) effectue des analyses géophysiques du sous-sol haïtien, permettant de compléter les
études de la faille sismique qui a engendré le tremblement de terre. Le Centre d’Etudes Techniques du Sud-
ouest (CETE-SO) travaille sur les techniques à employer pour la reconstruction. Ces deux derniers organismes
viennent également renforcer la volonté de réaliser une reconstruction durable en Haïti. On compte une
quinzaine de contributeurs au projet : des entités scientifiques et/ou techniques ayant exprimé leurs intérêts,
mais de nombreux autres contributeurs tels que des responsables haïtiens, la Croix Rouge, des organismes
spécialisés des Nations Unies (UNITAR, UNOSAT), des spécialistes de la construction et des infrastructures, des
chercheurs issus de nombreux horizons ainsi que d'autres projets de R&D. Sur le projet KAL-Haïti, au sein du
SERTIT nous sommes une équipe de 5 personnes :

Bernard Allenbach : docteur en géologie et chef de projet au SERTIT pour KAL-Haïti.

Arnaud Durand : ingénieur géomètre diplômé de l’Ecole Supérieure des Géomètres et Topographes
(ESGT)
Myldred Montabord : diplômée d’un Master 2 mention Territoires et sociétés, Aménagement et
Développement, spécialité "Systèmes d’information et informations géographiques pour la gestion et la
gouvernance des territoires"
Iqubal Ahmed : étudiant à la faculté de Géographie de Strasbourg en Master 2 en Géomatique et
Télédétection

5
2. La zone d’étude
D’après l’US Centre D’ingénieurs Topographique (1999), « Haïti partage l'île d'Hispaniola, la deuxième plus
grande île dans la mer des Caraïbes, avec la République Dominicaine. Avec 27 700 kilomètres carrés, Haïti est
similaire en taille à l'État américain du Maryland et comprend les îles de la Gonâve, la Tortue, Vache, et de la
Grande Cayemite. Cinq chaînes de montagnes (Massif du Nord, Massif des Montagnes Noires, Chaîne des
Matheux, Massif de la Hotte et Massif de la Selle) couvrent 75% des terres. Le plus haut sommet, le Morne de
la Selle, s'élève à une altitude de 2 680 mètres Le reste du territoire se compose de quatre plaines majeures:
(1) la Plaine du Nord, entre l'Atlantique et le massif du Nord; (2) la Plaine de l'Artibonite, au nord de la Plaine
du Cul-de-Sac (3) entre la Chaîne des Matheux et le Massif de la Selle, et (4) le Plateau Central à l'est des
Montagnes Noires. Plus de 100 ruisseaux coulent des montagnes haïtiennes dans la mer des Caraïbes. Les
écoulements sont rapides et torrentiels en montagne, les mêmes cours d'eau deviennent riches en méandres
et ralentissent dans la plaine. De nombreux ruisseaux sont dissipés par évaporation et infiltration et
n'atteignent jamais la mer.

Figure 1 Haiti Water Resources Assessment, US Army Corps of Topographic Engineering Center

Le climat est considéré comme de type tropical maritime. Sur les plaines, la température moyenne annuelle est
de 27 degrés Celsius, tandis que dans les montagnes, la moyenne annuelle de la température est de 16 degrés.
La variation de température saisonnière moyenne est seulement de 4 à 5 degrés, cependant du givre se forme
souvent à des altitudes au-dessus de 400 mètres au cours de l'hiver.

Les précipitations produites par les alizés sont arrêtées par la crête de la montagne qui sépare les deux pays. La
quantité et la répartition régionale de la pluviométrie est très variable en raison de l'orientation des chaînes de
montagnes et les plaines intermédiaires à l'égard de la pluie. Les versants nord des massifs montagneux
reçoivent généralement deux à trois fois plus de précipitations que le reste du pays. Les précipitations
annuelles moyennes dans les régions montagneuses dépassent couramment 1200 mm et peuvent atteindre
2700 mm. La moyenne annuelle des précipitations dans les zones de plaine est généralement inférieure à 1200
mm et peut être aussi basse que 550 mm. La Plaine de Gonaïves et l'Est de la Plaine du Cul-de-Sac sont les
régions les plus sèches du pays avec des pluviométries annuelles respectives de 550 millimètres et 850
millimètres. En raison des températures élevées, le pays connaît également un fort taux d'évaporation. Avril à
Novembre est généralement la saison des pluies, bien que de nombreuses régions bénéficient d'une accalmie
entre Juin et Août. Dans ces zones, la première saison humide est d'Avril à Juin et la seconde dure de

6
Septembre à Novembre. A Port-au-Prince, la période la plus humide va de Mai à Novembre. La saison des
ouragans couvre la période de Juin à Octobre. Les crues éclairs se produisent souvent pendant la saison
humide, mais les inondations peuvent survenir à n'importe quel moment de l'année. Pendant les périodes de
précipitations, les flux dans la plupart des cours d'eau sont torrentiels mais de courte durée. La plupart des
cours d'eau sont relativement courts, moins de 100 kilomètres. De nombreux cours d'eau, pérennes en
montagne, disparaissent dans les terres sèches des plaines basses » [Source : US Département d’Ingénieur
topographique, 1999]

Tableau 1 Principaux bassins hydrographiques du pays, US Army

Port au Prince
« Pòtoprens (en Créole haïtien) est la capitale d’Haïti et du Département de l'Ouest. La densité de population
2
est de 24 305.7 hab/km . La commune de Port-au-Prince qui occupe une superficie de 36,04 km², se situe à
l'extrémité occidentale de la plaine du Cul-de-Sac au fond de la Baie de Port-au-Prince, formant elle-même une
partie du Golfe de la Gonâve. Elle est accoudée sur les montagnes de la Chaîne de la Selle au sud où l'on
retrouve entre autres la banlieue riche de Pétionville. La ville à proprement parler s'étage sur 16 collines. Selon
les estimations de l'Institut haïtien de statistique et d'informatique (IHSI), l'aire métropolitaine de Port-au-
Prince qui s'entend sur 152,02 km² (soit le cinquième environ de l'étendue de l'arrondissement de la capitale),
comptait en 2009, 2 296 386 habitants, soit plus de 90 % de celle de l'arrondissement. La population de la seule
commune de Port-au-Prince était estimée à 897 859 habitants, population citadine à plus de 97,5 %. »
[Wikipedia 2012]

Section communale Population urbaine Population rurale Population totale

Port-au-Prince 875 978 21 881 897 859
Morne l'Hôpital 138 746 13 359 152 105
Martissant 262 530 4 980 267 510
Turgeau 474 702 3 542 478 244
Tableau 2 Structure de la population de Port au Prince en 2009, IHSI

Parmi les quartiers des Port au Prince il a été choisi de focaliser sur celui de Martissant caractérisé par une
morphologie du terrain mixte (des collines jusqu'à la mer) et riche en informations géographiques dans la
base de données KAL Haïti.

« L'eau douce de surface est disponible dans les ruisseaux et les lacs. De très grandes quantités sont
disponibles pendant l'écoulement de saison humide, généralement de Juin à Octobre, sauf dans le sud d'Haïti
où le flux majeur se produit généralement à partir Mai à Juin et de Octobre à Novembre (cf. climat). En raison
de l'augmentation du ruissellement causée par la déforestation, les débits de pointe peuvent être supposées
plus élevés que ceux rapportés dans les valeurs historiques. Les principaux cours d'eau comprennent la rivière
Blanche, la rivière Grise et la Grande Rivière du Cul-de-Sac, ainsi que leurs affluents. Ces rivières prennent leur
source sur le versant nord du massif de la Selle, mais disparaissent dans la Plaine du Cul-de-Sac en période de

7
bas débit, elles atteignent la mer pendant les inondations de la période humide. » [Source : US Département
d’Ingénieur topographique, 1999]

3. Problématique spécifique du ruissellement

Le ruissellement désigne en hydrologie le phénomène d'écoulement des eaux à la surface des sols. « Selon le
type de sol, le type d'occupation et la pente du sol, les précipitations arrivant au sol s'infiltrent plus ou moins.
La fraction d'eau ne percolant pas dans le sol va alors s'écouler en surface suivant la ligne de plus grande pente
: on parle alors d'un phénomène de ruissellement » [SMV de la Pointe de Caux, 2012]

Figure 2 Principes d’infiltration et de ruissellement (source : SMBV Pointe de Caux)

Ruissellement urbain. « L’urbanisation d'un territoire accompagne indubitablement une imperméabilisation

des sols, ce qui peut conduire à des crues violentes et augmente les risques de saturation des collecteurs d'eau
et d'inondation en aval. En effet, les toitures, les enrobés de voirie ou de parking, les terrasses sont autant de
surfaces rendues étanches à la percolation de l'eau. De ce fait, toute pluie s'abattant sur ces surfaces ruisselle
en quasi-totalité. Par exemple, pour une pluie d'orage d'occurrence décennale, le coefficient de ruissellement
peut varier de 0,20 pour un espace vert entretenu à 0,90 pour un enrobé. L'imperméabilisation des zones
urbaines a pour autre effet, une réduction de la rugosité du sol et de fait une accélération de la vitesse
d’écoulement de la lame d'eau ruisselée » [SMV de la Pointe de Caux, 2012].

« On parle d'inondation dès lors qu'un écoulement, anormalement gonflé par les fortes précipitations, atteint
et endommage une zone ou un bien à enjeu (zone d'habitat, zone d'activités …). Bien que l'inondation
engendrée par débordement des cours d'eau soit la plus évidente, il existe d'autres types d'inondations,
notamment celles liées à la concentration des ruissellements en vallon sec, au débordement des réseaux
d'assainissement ou aux remontées de nappe ». [SMV de la Pointe de Caux, 2012].

Figure 3 De gauche à droite : ruissellements en vallon sec, débordement des réseaux d'assainissement et remontées de
nappe (source : SMBV Pointe de Caux 2012)

Port-au-Prince comme la plupart des grandes villes le long de la côte est entourée par les collines. La
combinaison d'une végétation rare sur les pentes et le manque de systèmes de drainage des eaux pluviales
produit de graves inondations, entraînant souvent une perte importante de vies humaines et des dégâts
matériels particulièrement graves.

8
 Création de la base de données
A l'issue du séisme de 2010, des données représentant un volume de plus de trois téraoctets, (69000 fichiers
multithématiques et multi-temporels) ont été accumulées. Il faut donc sélectionner quelles sont les données
utiles à notre projet. Ces données sont de deux grands types : les données raster et les données vecteurs. Un
aperçu des emprises des images raster sélectionnées est donné au chapitre suivant.

1. Données raster
Parmi toutes les données raster disponibles dans la base de données KAL-Haïti, au regard de l'emprise et des
résolutions spatiales, il a été décidé d'utiliser des images aériennes fournies par Google, une couverture Lidar
ainsi que des images satellites QuickBird et Spot.

Date de prise
Images Resolution spatiale Bandes
de vue

Images aériennes (Google) 24/01/2010 15cm RVB

couverture Lidar (WorldBank-

24/01/2010 1m et 30cm MNT
ImageCAT-RIT)

Image satellite QuickBird 22/10/2009 2.40cm MS

Image satellite Spot 5 21/01/2010 10m MS

MNT Spot HRS 21/01/2010 10m MNT

Tableau 3 Images optique disponibles de la base de données

Pour cette etude on s'est servi surtout des données aériennes, lidar et HRS. Les images multispectrales Spot 5
n'ont été utilisées que pour les parties non couvertes par les images Google. Les images QuickBird sont été
utilisées uniquement comme source de validation sur la zone de Martissant.

Figure 4 Bing basemap. En rouge, points TRMM au sol et emprises Lidar en Bleu, QuickBird en vert, HRS en orange

9
 i. Données aériennes Google
Les images aériennes fournies par Google disposent de trois bandes spectrales (RVB) avec une résolution
géométrique de 15 cm, mais leur emprise n'est pas suffisante pour couvrir tout le bassin de Port-au-Prince. Les
images sont déjà assemblées en dalles uniques, visibles dans la figure ci-dessous.

Figure 5 Mosaique des images Google, localisation des dalles sur l’agglomération de Port au Prince et exemple d’image

Pour notre projet les images ont été utilisées comme validation des resultats et pour la creation d'une
classification d’occupation du sol.

ii. Données LIDAR

Le LIDAR est un capteur utilisant un signal laser pour balayer la surface du sol Le système LIDAR permet de
mesurer en chaque point la distance entre l'appareil et le point visé à la surface de la Terre, ce qui permet de
reconstruire un modèle en trois dimensions du terrain. Pour réaliser une cartographie LIDAR on combine trois
appareils: un télémètre laser (un LIDAR), un système de positionnement par satellite (GPS) et un système de
référence inertiel, le tout installé soit dans un avion, un hélicoptère ou un camion. Un tel système permet de
mesurer des milliers de points géo référencés en trois dimensions.

Généralement les constructeurs de scanners laser aéroportés employés pour l’acquisition de nuages de points
annoncent une précision de 15 cm pour la composante en Z des points. Cette précision est estimée à partir des
précisions de la position et de l’orientation du capteur donnée par le GPS et la centrale inertielle embarqués
dans l’avion, et celle de la mesure de distance du télémètre laser.

Dans un premier temps il est important de définir les dénominations suivantes qui sont utilisées tout au long
du mémoire (Source : Studer 2011):
MNS : Modèle Numérique de Surface. C’est le modèle numérique tridimensionnel obtenu à partir des
points de premier écho, il mélange donc des points de sol et de sursol.
MNT : Modèle Numérique de Terrain. Nous désignerons par ce terme le modèle tridimensionnel sous
forme numérique représentant une portion de terrain au niveau du sol. Le MNT est obtenu à partir de
traitements du nuage de points bruts, duquel ont été retirés les points du sursol (végétation,
bâtiments,...).
MNE : Modèle Numérique d’Elévation. C’est la différence entre le MNS et le MNT, il représente donc
la végétation et les bâtiments en fonction de leur hauteur au-dessus du niveau du sol, c'est le fichier
des hauteurs du sursol.

10
 Tableau 4 Les données Lidar retenues pour la base KAL-Haïti (Source : Studer 2011)

iii. Images optiques SPOT 5

D’après Wikipedia (2012), « SPOT (Système Probatoire d’Observation de la Terre ou Satellite Pour l’Observation
de la Terre) est une famille de satellites civils français d’observation de la Terre développée par l'agence
spatiale française, le CNES. Cinq exemplaires ont été lancés entre 1985 et 2002. Les images fournies par les
satellites sont commercialisées par une filiale d'EADS Astrium.

L’innovation de SPOT-5 (lancé le 3 mai 2002) est l’introduction du Super-Mode qui permet la création d’une
image à 2,5 mètres de résolution à partir de deux images à 5 mètres acquises simultanément avec un demi-
pixel de décalage. Leur combinaison est réalisée par des techniques de traitement et de restauration d’image
avancées.
2,5 mètres en super-mode panchromatique (0,48 - 0,71 µm)
5 mètres en panchromatique (0,48 - 0,71 µm)
10 mètres multispectral
 Bande 1 : Vert (0,50 - 0,59 µm)
 Bande 2 : Rouge (0,61 - 0,68 µm)
 Bande 3 : Proche infrarouge (0,78 - 0,89 µm)
 Bande 4 : Moyen infrarouge (1,58 - 1,75 µm) à 20 m »
Pour notre étude on se sert des images multi spectrales à 10 mètres uniquement pour l’occupation du sol dans
la zone en dehors de l’emprise Lidar (Figure 28). Elles fournissent la moyenne infrarouge nécessaire pour le
calcul du NDVI (Normalized Difference Vegetation Index). La seule image avec une meilleure résolution qui
pourrait être substituée aux images Spot est l'image QuickBird avec une résolution du moyen infrarouge de
2.5m, mais la dalle qu’on possède ne couvre pas tout le bassin du quartier Martissant (emprise dans figure4).

Figure 6 De gauche à droite : image Spot et QuickBird en fausses couleurs. En rouge, emprise de la dalle QuickBird

iv. Données SPOT – HRS

« HRS, Haute résolution stéréoscopique, est l’acquisition quasi-simultanée (1,5 minutes) d’un couple d'images
stéréoscopiques. L’acquisition des couples est réalisée par la programmation de deux images de la même zone
au sol, prises sous deux angles différents. L’instrument HRS est donc composé de 2 caméras, présentant un
angle de visée de 20° en avant et en arrière du satellite. Des boîtiers de détection installés sur HRS

11
convertissent les signaux lumineux recueillis par ces objectifs en signaux électriques, qui sont ensuite traités
par un Module Vidéo Stéréo (MVS) ». [CNES, 2012]

Figure 7 Principe d’acquisition de coupes stereoscopique par l’instrument HRS, source CNES

2. Données vecteurs
L’un des buts premiers de la base de données KAL-Haïti est de fournir aux administrations haïtiennes et aux
communautés de chercheurs des données de référence. Pour ce projet, notre utilisation de la base de données
KAL-Haïti est utilisée à des fins de référence et de validation sur le quartier du Martissant.

i. Bâti
On possède dans la base de données une couche bâti composée de 28 267 bâtiments, soit 13 421 édifices pour
le centre-ville de Port-au-Prince et 14 846 pour le quartier de Martissant. La période de saisie s’est étendue en
2011 sur deux mois et demi et a mobilisé trois personnes, pour la saisie et sa validation. La figure numéro 8
présente un exemple de la saisie du bâti par photo-interprétation.

Figure 8 Digitalisation du Bâti

ii. Routes et ilots

Les routes représentent l'un des principaux éléments structurants du paysage haïtien. En effet, à partir des
routes, nous pouvons étudier l’organisation des sections communales de Port-au-Prince. Il est donc important
pour la base de données de disposer d’une telle information.

Les îlots correspondent à un niveau de détail des blocs urbains. Ils composent le niveau le plus bas de la
hiérarchie de la morphologie de la ville. Les îlots sont élaborés à partir des éléments structurant le paysage

12
haïtien, c'est-à-dire les routes, le réseau hydrologique et les bâtiments. La concordance topologique est assurée
entre les routes et les limites d'îlots quand ces deux types de segments sont confondus.

Figure 9 Routes dans Port au Prince et zoom sur l’Ilot de Martissant, CRF (Croix Rouge Frances) et Centre-Ville

iii. Classification d’occupation du Sol

L’extraction de l’occupation du sol a été produite à partir de l’image aéroportée Google. On dispose
uniquement de trois bandes spectrales dans le visible, et pas la quatrième du proche infrarouge. L'indice
"Shadow index" (SI) a été exploité pour produire la classification au moyen de l’outil d’ArcGis "Image
Classification". Ici de suit la deuxième formule que à été utilisée pour calculer le SI dans l’image Google.

Shadow index [Durand, 2008]

Pour obtenir un meilleur résultat d’occupation du sol, après avoir distingué quatre classes (bâti, goudron,
végétation et sol nu), on a utilisé l’information altimétrique du Lidar pour séparer la végétation haute et basse,
ainsi que le béton du sol (routes) et le bâti. On obtient donc une très précise occupation du sol.

Bâti
Béton (routes, parkings…)
Végétation haut
Végétation Bas
Sol nu

Figure 10 Shadow Index et occupation du sol, zoom sur l'aéroport

13
 3. Les sources de données météo
La problématique majeure de ce projet a été la difficulté à trouver des données pluviométriques sur Port-au-
Prince. Tout d’abord les seules informations repérées étaient les données de la NOAA (National and Oceanic
Atmospheric Administration) et seulement, dans un second temps, les informations TRMM (Tropical Rainfall
Measuring Mission) de la NASA ont été "découvertes".

i. Stations pluviométriques NOAA

La NOAA (National and Oceanic Atmospheric Administration) est un organisme scientifique américain qui
étudie les grands systèmes naturels depuis la surface du soleil jusqu'aux profondeurs océaniques. Ainsi, la
NOAA s’occupe des prévisions météorologiques quotidiennes, des avertissements de tempêtes violentes, de la
surveillance du climat, de la gestion des pêches, de la restauration du littoral mais aussi de soutenir le
commerce maritime américain. Les données produites par les scientifiques de la NOAA sont utilisées pour la
recherche de pointe et la haute technologie, mais aussi pour offrir aux citoyens, planificateurs, gestionnaires
de l'urgence et autres décideurs des informations fiables dont ils ont besoin pour leurs missions. [NOAA, 2012]

La NOAA collecte les informations pluviométriques des différentes stations météorologiques du globe entier et
fournit gratuitement ces valeurs sur une base facilement accessible par internet. Après le téléchargement des
données au format nécessaire pour l’étude (.txt) il a été nécessaire de procéder à un nettoyage énergique, en
particulier de données nulles, puis de créer un tableau en utilisant la fonction Data Pilot de Open Office. Ci-
dessous (tableau numéro 6) la liste des informations pluviométriques de toute les stations au voisinage de Port
Au Prince.

Tableau 5 Tableau résumé des données disponibles pour les stations pluviométriques autour de Port au Prince

Grâce à la NOAA on a pu obtenir une idée de la pluviosité sur le bassin de Port-au-Prince. Ces informations ne
sont disponibles que depuis 1943 et se sont révélées à l'usage très lacunaires, et par conséquent difficilement
exploitables en dehors d'un scénario très rustique pour décrire la pluviométrie de Port-au-Prince.

14
 ii. Tropical Rainfall Measuring Mission (TRMM)
« Le Tropical Rainfall Measuring Mission (TRMM) est un programme conjoint entre la NASA et l’Agence
d’Exploration Aérospatiale Japonaise (JAXA) pour étudier et surveiller les précipitations tropicales. Le nom se
réfère autant au programme qu'aux satellites météorologiques, présents ou futurs, lancés pour son
fonctionnement. TRMM fait partie de la section "Mission planète Terre" de la NASA, un programme de
recherche de longue haleine pour étudier la Terre en tant que système global. Le satellite fut lancé le
27 novembre 1997 du centre spatial de Tanegashima, Japon. Cette mission spatiale fait partie du programme
Earth Observing System qui regroupe un ensemble de satellites de la NASA chargés de collecter des données
sur de longues périodes sur la surface de la Terre, la biosphère, l'atmosphère terrestre et les océans de la Terre.
Le satellite TRMM est sur une orbite basse de 350 km d'altitude à un angle de 35 degrés avec l'équateur, ce qui
permet une très grande résolution des données dans la zone des tropiques, tant spatialement que
temporellement ». [Wikipedia 2012]

« Les principaux instruments de mesure des précipitations sur TRMM sont TRMM Micro-ondes Imager (TMI), le
radar de précipitations (PR), le capteur dans le visible et l'infrarouge (Radiometer) et le système (VIRS). En plus,
le satellite TRMM transporte deux Earth Observing System (EOS), le Système Radiant Energy (CERES) et
Lightning Imaging System (LIS). » [TRMM, NASA, 2012]

Le Micro-onde Imager est un radiomètre passif à 9 canaux construit sur la base du Détecteur Spécial
Hyperfréquence / Imager (SSM / I), qui a volé à bord de la U.S. Defense Meteorological Satellite Program
(DMSP) depuis 1987. Les différences principales sont l'ajout d'une paire de canaux horizontaux et verticaux
avec polarisations et un changement de fréquence de l'eau canal vapeur de 22,235 à 21,3 GHz. Ces
changements en dehors du centre de la ligne de vapeur d'eau ont été faits dans le but d'éviter la saturation de
l'orbite tropicale de TRMM. La table ci-dessous présente les caractéristiques des neuf canaux TMI.

Tableau 6 Information sur les caractéristiques des canaux micro-ondes, NASA TRMM

« Comme tous les satellites météorologiques, TRMM compte un groupe de capteurs dans le domaine visible et
infrarouge. Ceux-ci font partie de la panoplie de capteurs pour estimer les précipitations. Ces capteurs sont
sensibles à cinq gammes de longueurs d'onde, entre 0,63 à 12 micromètres, rayonnées par la Terre et son
atmosphère. Ces capteurs utilisés conjointement permettent de délimiter les zones nuageuses et donc celles
avec précipitations. L'autre rôle, encore plus important, est d'étalonner les autres instruments du TRMM à
partir de comparaison avec les autres satellites météorologiques géostationnaires, comme GOES, et
héliosynchrones, comme les TIROS » [Wikipedia 2012].

15
Le radar météorologique est le premier instrument du genre à être envoyé dans l'espace afin de produire des
cartes en trois dimensions des tempêtes tropicales. Les données obtenues montrent la structure des
précipitations dans les nuages, le type, l'étendue verticale de ces précipitations et la hauteur du point de
congélation en déterminant le niveau de la bande brillante. Ces informations sont prises en plusieurs pas de
temps de telle sorte qu'en appliquant l'équation de continuité de masse, on peut déduire les échanges de
chaleurs, la température et l'humidité dans l'atmosphère et introduire ces données dans les modèles de
prévision numérique du temps. [TRMM, NASA, 2012]

Figure 11 Schéma du satellite TRMM, http://trmm.gsfc.nasa.gov

Tableau 7 Information du capteur radar, NASA TRMM

16
Vision des écoulements à l’aide de modèles topographiques
Toutes les images sont projetées dans le système de référence planimétrique officiel d’Haïti, à savoir le WGS84
UTM zone 18N. Afin de pouvoir utiliser les différentes images lors de la digitalisation, ou encore d’exploiter les
informations qu’elles contiennent sur les objets de la scène, il est nécessaire qu’elles soient recalées
géométriquement entres elles. Un recalage absolu des images n’est pas réalisable car aucune donnée de
terrain (points géodésiques ou points connus en coordonnées) n’est disponible. Un recalage relatif des images
par rapport à l’image Google considérée comme référence géométrique de la base de données est donc
appliqué systématiquement, assurant la cohérence relative de la base de données.

1. Prétraitements des MNT

Pour disposer d'information sur tout le bassin de Port Au Prince on est obligé d'intégrer, pour la zone au dehors
de la partie urbaine, les images Lidar et les images HRS. Pour fusionner ces images de résolutions différentes
une série de prétraitements s'est avérée nécessaire.

Les étapes à suivre sont : sélection des données couvrant toute la zone d’intérêt, nettoyage des données
(remplissage des trous) enfin traitement pour mosaïqueur les dalles.

i. Rééchantillonnage et lissage
Le rééchantillonnage, dans notre cas, désigne une fragmentation de chaque pixel en plusieurs pixels ayant la
même valeur altimétrique. A chaque étape du sur-échantillonnage, un lissage est effectué. La donnée de base
à un pixel à 20m. Pour obtenir un pixel à 1m les étapes suivantes ont été effectuées :

(ArcGIS: Clic droit sur la couche → data → export data → cell size)

Passage de 20m à 10m → Lissage moyen par matrice 5*5 puis lissage moyen par matrice 3*3
Passage de 10m à 5m→ Lissage moyen par matrice 3*3
Passage de 5m à 1m → Lissage moyen par matrice 3*3

Par lissage on entend un calcul qui remplace la valeur du pixel central dans l'image par la moyenne des valeurs
de l'image initiale couverte par un masque de taille définie (dans notre cas 5*5 au 3*3).
Spatial Analyst Tools → Neighborhoods → Focal statistics → choisir dimension de la matrice → MEAN

Figure 12 Zoom sur le reechantillonage du HRS. En ordre à: 20m,

10m (gabarit 5*5), 10m (gabarit 3*3), 5m (3*3), 1m (3*3)

17
 ii. Remplissage des trous
Comme expliqué dans le chapitre sur la création de la base de données, l’image lidar disponible est une simple
mosaïque de plusieurs dalles assemblées. Les dalles ne sont pas toujours jointives parfaitement, on peut
rencontrer dans la mosaïque des zones de "No Data". Les trous sont parfois très difficiles à repérer en raison de
leur petite taille, mais malgré tout suffisamment importants pour générer des faux sous-bassins, d'où une
mauvaise interprétation de l'écoulement d'eau.

Figure 13 Zoom sur deux trous de l’image

La création d'image de type "relief ombré" est très représentative pour une meilleure vision des reliefs et pour
la localisation des "trous no data". Après transformation du MNT raster en TIN (Triangulated Irregular Network)
on peut commencer à effacer les points (nœuds du TIN) No Data et donc avancer vers la création d’un nouveau
MNT raster "bouché".

La succession des opérations suivantes a été appliquée au remplissage des trous du MNT Lidar.
(3D Analyst→ Conversion → from Raster → Raster To TIN)

Z Tolerance: 0
Maximum number of points: 1500 000 000
Z factor: 1 (m)
Figure 14 Exemple, en utilisant differentes valeur de tolérance du TIN

Tolerance 1m 0.20 m 0.05 m 0m

18
Succession des opérations sous ArcGIS

1. 3d Analyst Tools →Conversion → From TIN → TIN node

2. Editor → Efacer: Node No Data dans les trous
3. 3d Analyst Tools → TIN menagement → create TIN
4. 3d Analyst Tools →Conversion → From TIN → TIN to raster

Figure 15 Sur la première ligne conversion du TIN en noeuds puis création du nouveau TIN. Sur la deuxième ligne, nouveau raster

Mosaïque du MNT Lidar bouché et HRS rééchantillonné à 5m.

Succession des opérations sous ArcGis

1. Data Management Tools → Raster → Raster dataset → Mosaic to new raster

2. Spatial analyst → options → extent Union of input
3. Spatial analyst → Raster calculator → Marge. Syntaxe: Marge (*Dem1+, *Dem2+, *Dem3+, …)

Validation : moyenne des écarts entre la Z du MNT lidar (1m) et HRS (20m)

Prise de points avec outil INFO sur même pixels pour voir valeur de Z sur les 2 MNT
Tableau avec valeurs Z du Lidar, HRS et Δ entre le deux (valeurs moyenne : 1.35m)

Tableau 8 Δ entre Z du Lidar et HRS

19
 iii. Problématique due à la mosaïque
L’utilisation de la mosaïque se révèle utile seulement pour avoir une vue globale du bassin, mais elle s'avèrera
plus tard inutilisable en raison des résultats incohérents obtenus pendant les analyse hydro morphologique
(voir page 30). Nous maintenons malgré tout la mosaïque dans l'étude, non plus comme étape initiale, mais
comme outil de validation finale des résultats hydro morphologiques.

Figure 16 Exemple d’erreurs quand pendant la production de cates de pentes dues au rééchantillonnage du MNT HRS

2. Analyse hydro morphologique

Deux bibliothèques de fonctionnalités de ArcGIS : Hydrology dans Spatial Analyst et Arc Hydro sont
potentiellement exploitables. Même si Arc hydro possède des fonctionnalités meilleures que Hydrology, il n’est
malheureusement pas possible d'en l’appeler les fonctions dans le Model Builder d'ArcGIS. Or, en raison de la
taille des images il s'est avéré nécessaire d'automatiser les processus de traitement avec Model Builder pour
les faire tourner pendant les nuits, c'est pourquoi Hydrology dans Spatial Analyst a finalement été utilisé.

Tableau 9 Model Builder avec toutes les fonctionnalités utilisées de la bibliothèque Hydrology de Spatial Analyst

iv. Remplissage des cuvettes

« Les cuvettes (et crêtes) sont souvent des informations erronées en raison de la résolution
insuffisante des données utilisées ou de l'arrondi de l’altitude à la valeur entière la plus proche.
Aussi, les cuvettes doivent être remplies (rehaussées) pour garantir une définition propre des bassins
versants et des drains. Si les cuvettes ne sont pas remplies, un réseau d'écoulement dérivé peut
apparaitre comme discontinu.

Figure 17 Profil d'une cuvette et d'une crête avant et après le remplissage. Tutorial d’ArcGis

20
L'outil peut permettre également de supprimer des crêtes, qui sont des valeurs parasites avec une
altitude aberrante plus élevée que celle de la surface environnante ». [ESRI, Aide en ligne ArcGis 10]

Figure 18 Raster calculator → MNT FILL – MNT

v. Direction des flux

« L'un des principaux aspects de la dérivation des caractéristiques hydrologiques d'une surface est la
capacité à déterminer la direction du flux issu de chaque cellule d'un raster. Cet outil se sert d'une
surface comme entrée et génère un raster représentant la direction du flux sortant de chaque
cellule. Il y a huit directions en sortie valides relatives aux huit cellules adjacentes dans lesquelles le
flux peut circuler. Cette méthode, généralement appelée "modèle de flux à huit directions (D8)".
Ci-dessous une matrice explicative de l’application ». [ESRI, Aide en ligne d’ArcGis 10]

Figure 19 Matrice d’explication. Tutorial d’ArcGis

Application de la direction de flux pour les routes dans l’urbain

Ci-dessous une réalisation de la direction de flux dans l'urbain. La première analyse donne une idée de
l’écoulement de l’eau le long des routes ainsi qu'une approche vectorielle pour observer tous les écoulements
d'un un ilot de Martissant. La dernière image est un zoom sur les vecteurs de la direction de flux superposés à
l’image Google. Cet affichage est très intéressant comme une sorte de validation, parce que l'on arrive à voir un
regroupement de vecteurs dans une flaque d’eau et se diriger vers un égout à ciel ouvert (en évidence en
rouge dans l’image).

21
 Figure 20 A gouche: Raster to feature → intersection entre réseaux routiers et direction de flux (en forme vectorielles).
A droite direction de flux dans les zones non-baties du quartier de Martissant.

Figure 21 Surposition des directions de flux sur image Google

vi. Accumulation des flux

« Permet de calculer le flux accumulé de toutes les cellules s'écoulant dans chaque cellule en pente
descendante du raster en sortie. Dans le diagramme ci-dessous, l'image située en haut à gauche
montre la direction du flux de chaque cellule, et celle située en haut à droite le nombre de cellules
qui circulent dans chaque cellule.

Figure 22 Détermination de l'accumulation de flux. Tutorial d’ArcGis

Les cellules présentant une accumulation de flux élevée sont des zones de flux concentré qui peuvent
être utilisées pour identifier des canaux d'écoulement. Les cellules présentant une accumulation de
flux nulle sont des zones topographiques élevées qui peuvent être utilisées pour identifier des
crêtes ». [ESRI, Aide en ligne d’ArcGis 10]

22
 Figure 23 Accumulation des flux à la limite entre Lidar et HRS. Valeurs d'accumulation crossantes à: 5, 10, 100, 1000,
100000, 1000000, 10000000

Dans l'image ci-dessus une représentation du flow accumulation sur la mosaïque, plus précisément à
la limite entre l'image lidar et HRS. Ce qu'on obtient, avec la jointure entre les deux images, est une
mauvaise représentation de la réalité. Parce que si dans le cas du Lidar il est possible d'utiliser une
valeur d'accumulation de flux entre 5 et 10 pour observer les drains, dans la partie couverte par le
MNT HRS on obtient des imperfections. Il plus satisfaisant d'employer les deux MNT dans des
processus distincts.

Lidar Valeur optimale entre 5 et 10

HRS Valeur optimale entre 10 000 et 100 000

Application de l'accumulation de flux pour les routes dans l’urbain

Spatial Analyst Tools → Map Algebra → Raster calculator → SetNull(“ .img ”<10 000, 1)

Figure 24 Flow Accumulation superposé aux images aériennes dans l'urbain

On constate que l'accumulation de flux est superposée aux flaques d'eaux très visibles dans l'image Google. De cette
manière on s'assure de la validité de l'algoritmes, des données et de leur calage géométrique.

23
vii. Vectorisation des flux
« L'algorithme utilisé par l’outil Ecoulement vers entité permet de vectorisé des réseaux hydrographiques ou
n'importe quel autre raster représentant un réseau linéaire pour lequel les directions sont connues. Cet outil
est optimisé de manière à utiliser un raster de direction pour permettre la vectorisation des cellules qui
s'intersectés et sont adjacentes ». [ESRI, Aide en ligne d’ArcGis 10]

Hierarchisation des écoulements

« La hiérarchisation d'écoulement est une méthode d'attribution d'un ordre numérique aux liaisons d'un
réseau hydrographique. Cet ordre est un moyen qui permet d'identifier et de classer des types de cours d'eau
en fonction de leur nombre d'affluents. Certaines caractéristiques de cours d'eau peuvent être devinées, sans
difficultés, d'après leur ordre. L’outil propose deux méthodes pour hiérarchiser les cours d'eau. Il s'agit de
celles préconisées par Strahler (1957) et Shreve (1966) ». [ESRI, Aide en ligne d’ArcGis 10]

Figure 25 Méthode de hiérarchisation de Strahler et de Shreve

Dans les deux méthodes, les segments de cours d'eau (ou les liaisons extérieures) les plus en amont
sont toujours associés à la classe 1.

La méthode de Strahler est la méthode de hiérarchisation d'écoulement la plus utilisée. C'est celle
qui a été retenue pour notre étude.

0 1.25 2.5 5 7.5 10

Km

Figure 26 Accumulation des flux. Drains majeurs dans le bassin de Port au Prince (HRS) et Martissant (Lidar)

24
viii. Bassins versants
« Un bassin versant est une surface ascendante d’où s’écoule un flux (en général, de l’eau) vers un orifice de
drainage commun (exutoire). Il peut appartenir à un bassin versant de plus grande taille. Il peut également
englober des bassins plus petits, appelés sous-bassins. Un point d'écoulement correspond au point bas au
niveau duquel l'eau sort d'une surface. Ce point est le plus bas sur la limite du bassin versant ». [ESRI, Aide en
ligne d’ArcGis 10]

Figure 27 Détermination de bassin versant. Tutorial d’ArcGis

Nettoyage du bassin versant

Après la création du bassin versant il est important de découper les limites de la mer et de nettoyer les sous-
bassins générés en excès. Ces sous-bassins en excès le long de la côte résultent d'un nombre important de
drains, très courts produits le long du littoral par le script ArcGis. Il s'agît de supprimer ces artefacts, cette
opération est réalisée au moyen de la fonction ERASE couplée avec un polygone de suppression. D'autres
bassins peu significatifs sont rassemblés au moyen de la fonction MERGE.

Succession des opérations sous ArcGIS :

Analysis Tools → Overlay → Erase

Unir different bassins dans un sol: Editor →MERGE

Lidar cadre
Bassin de Martissant
Bassins de Port au Prince
0 1.25 2.5 5 7.5 10
Km

Figure 28 Bassins versants de Port-au-Prince generé avec intersection HRS et Lidar

ix. Temps d’écoulement

Le temps d'écoulement est le temps nécessaire à une particule d’eau pour arriver à la section de clôture depuis
le point le plus éloigné du réseau de drainage considéré.

Nous voulons construire un fichier raster qui montre pour chaque pixel le temps en heures nécessaire pour
qu'une goutte d'eau fasse le trajet depuis son point de chute jusqu'au lieu en aval considéré.

25
Le temps d’écoulement peut être décomposé en deux : le temps de transit (de ruissellement) sur le versant,
puis le temps de transit dans le canal (Tctot = Tv + Tc).

Concept théorique :
Si Lv et Lc sont les longueurs parcourues sur les Versants (V) et sur les Canaux (C), Vv et Vc sont les vitesses sur
les versants (V) et sur les canaux (C), alors : Tv = Lv/Vv et Tc = Lc/Vc. Donc on peut déduire le temps de
ruissellement dans le bassin comme étant Tctot = Lv/Vv + Lc/Vc. Nous faisons maintenant un constat simple
(sans prendre en considération l’occupation du sol) en considérant deux types de vitesses : sur le versant (Vv =
0.1 m/s) et dans le canal (Vc = 1.0 m/s). Alors on obtient Tv = Lv/Vv= 10 Lv et Tc = Lc/Vc = Lc.
Sachant que Tctot = Tv+Tc, on deduit alors Tctot = 10 Lv +Lc

Utilisation du concept avec ArcGIS

Les fonctions d'analyse hydrologiques suivantes existantes dans le module Spatial Analyst de ArcGis ont été
utilisées pour caractériser les écoulements dans le bassin versant considéré.
Succession des opérations sous ArcGIS :

Un raster de vitesses est créé à partir du Flow Accumulation : 10 pour un canal, 1 pour un versant. Un
pixel est considéré comme un canal s'il draine une surface d'au moins 0.1 km², soit 100 pixels.
On calcule le temps de transit dans le canal (Tc en secondes) à l'aide du raster précédemment créé, le
long du chemin de flux pour chaque cellule.
Spatial Analyst Tools → Hydrology→ Flow Lenght
Pour avoir le temps en heures: Raster calculater → Flow lenght /3600

0 0.5 1 2 3 4
Km
Figure 29 Raster avec le résultat du traitement. Il montre le temps d'écoulement dans un sous bassin

Pour finir, on trace les courbes représentant le même temps d’écoulement, appelées Isohyètes. Pour cela, ont
créé des isolignes à partir du raster de temps d'écoulement, avec un intervalle de 0.5, c'est-à-dire avec une
distance de 30 minutes entres elles.
Spatial Analyst → Surface → Contour
Input : Flow lenght en heures
Contour Interval : 0.5

L'intérêt de l'évaluation du temps d'écoulement est par exemple intéressant dans une situation de fortes pluies
pour établir le temps mis par la crue pour traverser les drains majeurs, ou bien pour évaluer la dangerosité sur
fortes pentes caractérisées par un faible couvert végétal.

26
 Modélisation hydrologique
1. La pluviométrie
Tout d'abord, il faut insister sur le fait que les données TRMM restent des donnés très imprécises par rapport à
des mesures de terrain (pluviomètres) parce qu'issues de données radar et produites avec une résolution de 30
2
km . On rappelle que pour notre étude la pluviométrie, même si elle est évidement à la base du calcul des
débits dans chaque section des drains, pourra être facilement remplacée si des valeurs plus fiables étaient
obtenues. Faute de mieux, les données TRMM sont utilisées pour fixer les valeurs de précipitations dans notre
base de données.

i. Sélection des données TRMM

Les données TRMM ont été choisies comme donnée de référence de notre base de données parce que, même
si elles s'étalent sur une série temporelle plus réduite que celles de la NOAA (1998-2011), elles sont beaucoup
plus complètes.

Figure 30 Emprise de points TRMM, en bleu clair le point sur Port au Prince

En effet, ces données représentent 13*13 points au sol pour l'ensemble de la zone étudiée (Figure 29). On
compare trois valeurs : la valeur mesurée au point Port-au-Prince, la moyenne de tous les points de l’emprise
et la valeur maximum des points de mesure de l’emprise. Les résultats de cette compilation sont présentés sur
les séries de graphes des figures suivantes, avec en ordonnée le mm de pluie et en abscisse les mois de l’année.

Graphe 1 De gauche a droite. La moyenne mensuelle de Port-au-Prince, moyenne_TOT des emprises, max_TOT des emprises

Graphe 2 De gauche a droite. Le maximum mensuel de Port-au-Prince, moyenne_TOT des emprises, max_TOT des emprises

27
 Graphe 3 Moyenne annuelle mensuelle de Port-au-Prince, moyenne_TOT des emprises, max_TOT des emprises

Graphe 4 Maximum annuel de Port-au-Prince, moyenne_TOT des emprises, max_TOT des emprises

Parmi ces valeurs, la valeur que l'on a décidé d'utiliser est la valeur TRMM mesurée sur Port-au-Prince, car les
valeurs moyennes ont été jugées trop faibles et les valeurs max trop élevées.

Dans la pratique : La valeur moyenne de pluie sur une période annuelle est d'environ 17 mm et de 108 mm
pendant 24 heures et la valeur maximale de pluie pendant 24 heures est entre 60 et 315mm.

ii. Désagrégation des précipitations journalières en valeurs horaires

Afin de transformer les précipitations de l'échelle journalière à des valeurs horaires, il est utilisé ici la technique
du type cascade aléatoire, Stochastic Time Random Cascade STRC [Bocchiola e rosso, 2006], [Bocchiola, 2007],
[Groppelli et al. 2011] adaptée aux informations pluviométriques. L'approche STRC peut être schématisée par
un tableau intitulé «arbre inversé», dans la figure 30 où les valeurs de la pluie à la résolution spatiale maximale
sont les feuilles et le taux de précipitations synoptiques est la racine. R0 est la valeur moyenne de la
précipitation sur la zone de mesure. La valeur de précipitation au temps t, générique à l'échelle temporelle s,
s
est X t Rt / R0 est décrite depuit le modèle donné par la formule suivante X ts X0 Yt j , les poids Yj
j 1

[Over e Gupta, 1996] étant définis par :

2
E[Yt j ] 1 ; Var[Yt j ] Yj

Si la pluie a une valeur nulle observée dans une ou plusieurs cellules, le modèle de la cascade est modifié
comme suit :
Yt j Bt jWt j
j
Le terme Bt est un générateur de type β, ce qui donne une probabilité que la pluie dans une cellule soit
j
positive comme conditionnée par la présence de pluie dans la cellule «parent». Le terme Wt représente un
générateur "strictement positif" [Over et Gupta, 1996]. Ce générateur peut être représenté par une
distribution log-normale à trois paramètres.

28
P ( Bt 0) 1 p
P ( Bt p 1) p
E Bt p 1p 01 p 1
2
2
Wt e wt w

E[W t] 1
Avec :
2 2
wt w 2 Log Wt ; wt N (0 ; w ).
Le paramètre p, est destiné à la règle de l'intermittence interne des événements de crues, il est mis en relation
avec la précipitation journalière totale, au moyen d'une loi de puissance [Over et Gupta, 1994;. Groppelli et al,
2011]

k
1 p 1 p R0
1 1
1 p max
1 1/ b Rmax

Avec Rmax, valeur maximale des précipitations journalières observées dans la série, et b branching number
(nombre de ramification), le nombre de subdivisions pour chaque étape de la cascade. Cette approche a
comme conséquence délibérée que les événements qui présentent des valeurs élevées de précipitations
cumulées montrent un nombre élevé d'heures de précipitations (c'est à dire une intermittence basse), tandis
que les événements caractérisés par de faibles précipitations cumulées ont peu d'heures de précipitations,
comme cela est montré par des preuves expérimentales. Pour avoir plus de détails sur la théorie de base et de
l'utilisation du modèle STRC, qui a conduit à des résultats satisfaisants en termes de représentation des
précipitations, le lecteur est invité à lire les publication cité ci-dessus [Bocchiola, 2007;. Groppelli et al, 2010,
2011).

Figure 31 Schéma explicatif du Downscaling, Daniele Bocchiola

En résumé, pour cette étude les valeurs de pluviométrie horaire ont été obtenues avec comme valeurs en
entrée du modèle STRC les données TRMM journalière du point au sol localisé à Port au Prince. Le modèle STRC
utilisé pour la "désagrégation horaire" a été implémenté par Daniele Bocchiola (Ecole Polytechnique de Milan)
sur le logiciel Matlab.

iii. Temps de retour

Après la désagrégation des précipitations TRMM en précipitations horaires il devient possible de calculer des
temps de retour, phase très importante pour déterminer les différents scénarios appliqués dans la

29
modélisation. La période de retour (ou période de récurrence) est la moyenne à long terme du temps ou du
nombre d'années séparant un événement de grandeur donnée d'un second événement d'une grandeur égale
ou supérieure. Il est normalement utilisé en hydrologie comme un synonyme d’intensité d’une crue.

Tout d’abord, pour trouver les valeurs des courbes d'intensité, de durée et de fréquence des précipitations
(courbes d'IDF, Intensity Duration Frequency), on a créé un tableau Excel. Les résultats ont été contrôlés et
validé par un script existant implémenté sur Matlab. Ci-dessous les paramètres calculés, avec un jeu complet
de données pendant 13 ans :

- a₁ = 16,7
- n = 0,59
- ε = 0.84
- α = 0,25
- κ = -0048

Ce sont les paramètres nécessaires pour calibrer le débit en entrée pour le scénario suivant.

Avertissement. On tient à rappeler les limites suivantes de ces extrapolations :

Nous ne possédons pas d'informations horaires sur Port-au-Prince ; le modèle SRTC reste donc pour le
moment calibré en utilisant les données de précipitations horaires du bassin Toce, Italie
Les pluies sont estimées par des moyens satellites, qui donnent une idée de la spatialisation des
précipitations mais nécessitent normalement un calibrage par des mesures in situ.

2. Les drains
i. Digitalisation des drains (Lidar, Google)
La digitalisation des drains a été faite en utilisent simultanément les images Google et les courbes de niveau à
1 mètre produites grâce au Lidar. A la place d’une digitalisation manuelle on aurait pu utiliser l'accumulation de
flux (avec un ordre de Strahler important ou une valeur d'accumulation élevée) produit automatiquement.
Cependant, pour produire les premiers résultats du modèle il est plus facile d'avoir comme entrée un drain
simple et les résultats issus de traitements automatiques présentent souvent une forte complexité.
L'accumulation de flux produit de nombreuses bifurcations et dans un schéma de flux complexe il devient
difficile de tracer les sections perpendiculaires aux différents drains. De plus l’accumulation de flux montre
fréquemment des résultats contradictoires à proximité de l’estuaire du fleuve.

Une autre forme plus simple de digitalisation manuelle (déjà expérimentée) est de tracer un canal fictif tout
droit au milieu du sous bassin depuis la section d’entrée du modèle jusqu’à l’estuaire du drain (voir exemple de
modélisations simple avec l’OPTION ZERO à page 55).

Figure 32 Etapes à suivre pour le tracé des drains, image Google et courbes chaque 1m

30
 ii. Zone (montagne, plaine)
Pour différentes raisons dues à la simplicité de calcul et l’absence des informations Lidar et Google sur la
totalité du bassin, on a choisi de diviser chaque sous bassin de Port au Prince en deux parties : une partie
montagne et une partie plaine. La section joignant les deux zones est la section d’entrée de notre modèle.
Comme hydrologue cette hypothèse peut être considérée comme acceptable si en amont de la section que l'on
a choisie comme entrée du modèle il n'existe pas de barrage, d’obstacle au tout autre forme de pompage.
Cependant, on localise la section d’entrée en regardant où s'achève l’urbain et où les collines commencent, à
l’aide des courbes de niveau.

Figure 33 Localisation de la section d’entrée à l’aide des courbes de niveau à 10m et schéma explicatif.
Section en rouge. En jaune la partie plus vallonnée dans l’urbain et en orange la partie plaine dans l’urbain

iii. Calibrage de la section d’entrée dans la plaine

Le calibrage de la section d’entrée dans la plaine est effectué à l’aide d’un script Excel qui calcule pour chaque
évènement pluvieux, géométrie de la section d’entrée et type de sous bassin en amont (partie montagne) ; le
débit qui en provient et l’éventuel débordement de la rivière.

Figure 34 Valeurs en entrée dans le fichier Excel. Flèche jaune indique le débit pour régime stationnaire

Explication des abréviations en entrées dans le fichier Excel

On règle la durée de pluie (d) que maximise l’hydrogramme et on rentre les valeurs en sortie des scripts
Matlab (α, ε, ν, a1) pour calculer, comme expliqué dans les formules, le coefficient pluviométrique (aT).

Le débit critique (q0,) est calculé en prenant en compte les valeurs Z dans la section critique, et donc le premier
pic au dehors du diagramme de la figure 34. Ci-dessous une explication des abréviations utilisée à propos des
valeurs liées aux sous bassins :

31
 - CN, Curve Number (nombre de courbes de ruissellement). Paramètres tabulés par le Soil Conservation
Service (SCS) utilisée en hydrologie pour prédire le ruissellement ou l'infiltration directe de la pluie en
excès. Le CN dispose d'une gamme de 30 à 100. Plus le numéro de courbe est bas plus le sol est
perméable.
- C, Coefficient d’absorbement initial. Valeurs empirique d’absorbement initial du sol sec
- A, Superficie du bassin. Calcul de la surface sur ArcGis
- β, Paramètre de forme IUH. Paramètre empirique sur la forme du bassin
- κ, Paramètre d’échelé
- ψ, Facteur ARF
- T, Temps de retour
- yT, "Generalized extreme volume". calculé par la formule précédente
- XT, GW. Calculé par la formule précédente
- Lap, Longueur de l'axe principal du drain:

Figure 35 Exemple de résultat pour le débit produit dans le Script Excel dans le cas d'un débordement du drain
(Zone au-dessus de la ligne rouge). Section vue depuis l’image Google (GEO Ras) et du profile (HEC Ras)

Il est possible de calculer ces débits d'entrée suivant deux modes ou régimes :

Régime stationnaire: nous utilisons un seul débit (constant), la valeur utilisée comme débit d'entrée
est celle du sommet de hydrogramme (flèche jaune).

Régime transitoire : on fait varier les conditions (CN et Supérficie sous-bassin) en utilisant toutes les
valeurs de l’hydrogramme, autrement dit on fait varie le débit au cours du temps.

32
 iv. Création d'un MNS nettoyé
Pendant la phase d'exécution du modèle nous nous sommes trouvés face à des résultats fortement
critiquables, dus entre autres à la finesse du MNS, comme cela est illustré par les images ci-dessous. Dans le
premier exemple la résolution de la donnée Lidar permet de modéliser un écoulement très localisé conforme
avec la réalité du terrain observable sur l'image (figure 34).

Par contre dans le deuxième cas, on se trouve en fait en face d'un débordement de la rivière en forme
"d'archipel", généré par un embouteillage de voitures et de camions au milieu d'un carrefour (figure 35) !

Figure 36 Bonne description des sections critiques: MNS à 1m, debit du drain de 10 m3/h

Figure 37 Problématique des voitures et camions : MNS à 1m, debit du drain de 200 m3/h

Il s'est donc avéré nécessaire de procéder à un nettoyage du MNS à l'aide des images Google, pour éviter une
mauvaise représentation des zones inondables, ainsi nous avons supprimé du MNS les éléments suivants :
voitures, camions et arbres isolés.

Ci-dessous, les différentes étapes du traitement effectué pour le nettoyage.

Pré traitements : calcul de l'écart altimétrique entre MNT et MNS, et recalage altimétrique du MNT→
New_mnt=mnt * Δ

Filtre par hauteur (suppression des voitures du modèle numérique d'élévation) → MNE (mns-
New_mnt)→ Effacer les pixels inférieurs à 2m
Map Algebra → Raster Calculator → SetNull("WB_mne_1m.img"<2,"WB_mne_1m.img")

33
 Z

2m

Figure 38 Schéma explicatif du Filtre par hauteur

Figure 39 Zoom de l’image Google sur un carrefour embouteillé par des camions et classification des hauteurs en cinq classes

Filtre par ocupation du sol :

Pour supprimer les arbres du modèle numérique d'élévation, nous avons utilisé la classe "végétation
haute" de la classification d'occupation du sol.

Figure 40 Schéma explicatif du Filtre par hauteur

Figure 41 A gauche détection de camions par la hauteur entre 2-3m.

A droite occupation du sol, détection de la vegetation et les ombres

Filtre géométrique (Détection et suppression des camions):

Une carte binaire est réalisée à partir du MNE : Pixels de valeur "1" pour les objets du sursol et "0"
sinon. Puis un traitement objet est appliqué sur cette carte pour détecter les camions :
Erdas Imagine : Raster → Thematique → Clump (Les pixels sont regroupés en objets d'une connexité
de 4 pixels et caractérisés par le nombre de pixels composant chaque objet)
→ Identification des groupes des pixels isoles inférieurs à 25 pixels et nettoyage du MNE

34
 Figure 42 Fonction d’Erdas Imagine (Connected Neighbords) Connexité de 8 et 4 pixels lors du regroupement des pixels.
Connected Neighbors 4 et objets d'un nombre de pixels inférieur à 25 (taille des camions)

Production finale du nouveau MNT (avec maisons) pour les modélisations hydro.

Le MNE nettoyé des arbres isolés, des camions et des voiture est ajouté au MNT. Ainsi on obtient un MNS
nettoyé et adapté aux modelisations hydrologiques.

0 0.5 1 2 3 4
Km

Figure 43 A gauche relief ombré du MNT du depart et à droite relief ombré du nouveau MNS

35
 0 0.5 1 2 3 4
Km

Figure 44 Groupe de gauche : Flow Accomulation generé avec le MNS brut, un arbre change le cours du drain générant 2
sous-bassins. Groupe des images de droite : Flow Accumulation généré avec le nouveau MNT produit un drain cohérent

v. Nettoyage de la classification d’occupation du sol

L’occupation du sol produite par le Sertit n'est pas suffisamment précise pour cette étape de la modélisation.
En effet, l'occupation du sol est utile pour fixer les différentes valeurs du CN (perméabilité) et du coefficient de
Manning (rugosité du terrain). L’occupation du sol comprend cinq classes : bâti, béton du sol, sol nu, végétation
basse et végétation haute. Les manipulations suivantes sont présentées par classe et ont été effectuées dans le
but d'utilisaer la classification dans une optique de modélisation hydrologique.

Extraction du bâti
Une bonne extraction du bâti a déjà été faite pour nettoyer le MNS, lorsque l'on supprimé les arbres, les
voitures et les camions du MNE. Il suffit de reprendre cette couche qui est plus précise que la classification
d'occupation du sol générée par le SERTIT. Un traitement morphologique a été appliqué afin que les bâtiments
soient bien jointifs (suppression d'artefacts).

Extraction de la végétation haute

Grâce à la précision des informations Lidar nous pouvons améliorer la détection de la végétation haute. Ci-
dessous le résumé des étapes suivies.

Filtre sur la densité des forets :

Erdas Imagine : Raster → Thématique → Clump (même valeur pour groupe de pixels de la classe)

0 0.5 1 2 3 4
Km

Figure 45 Filtrage par nombre de pixels de végétation haute.

Utile pour mettre en évidence la localisation des forêts denses (10 000, 100 000 pixels)

36
Pour déterminer la végétation haute dans le bassin nous avons retenu un seuil minimum de 100 pixels à 1m par
groupe de pixels afin de supprimer les arbres isolés et de conserver au minimum les bosquets.

Filtre par hauteur :

Le filtre par hauteur a été effectué pour supprimer les mauvaises interpretations, les ombres des maisons,
classifiées comme arbres par l'indice de brillance. On applique un filtre hauteur à partir du MNE pour
retenir les pixels, issus de la couche précédente, de hauteur supérieure à 7m et inférieurs 30m.
Masque avec MNE → Pixel > à 7m et < de 30 m (approche empirique)

Figure 46 Séquence d’essais pour différentes hauteurs de végétation

Filtre sur le nombre de pixels :

L'étape précédente a recréé des objets inférieurs à 100 pixels. Un filtrage sur le nombre de pixels connexe et à
nouveau réalisé, mais cette fois sur la valeur minimale de la largeur de la cime des arbres (10 pixels).

Erdas: Raster → Thematique → Clump

Figure 47 A gauche classification initiale, au milieu image après le filtrage objet >10 pixels et à droite zoom sur groupe détecté

Extraction bas végétation (herbe)

La classe "végétation basse" de la classification d'occupation du sol a été nettoyée par un filtre sur le nombre de pixels
(conservation des groupes de pixels supérieurs à 100 pixels).

37
Extraction des routes

Les vecteurs du réseau routier déjà dans la base de données du Sertit ont été utilisés. Deux zones tampons, à 5 et 10 m
d’épaisseur (respectivement pour les routes secondaires et principales) ont été créées. Les pixels de la classification
d'occupation du sol ont été classés en béton du sol dans ces zones.

0 0.5 1 2 3 4
Km
Figure 48 Routes dans les bassins et zoom sur une zone avec zones tampons à 5 et 10 m

Extraction sol nu

Par déduction, les surfaces restantes ont été considérées comme du sol nu.

Etapes pour assembler la nouvelle occupation du Sol :

On mosaïque par ordre d’importance les couches que l'on vient de créer :
1. Bâti et végétation haute
2. Routes (béton)
3. Végétation basse
4. Sol nu
OS_MOI_New
NAME
Herbre
Maison
Route
Sol_Nu
Vegetation
0 0.5 1 2 3 4
Km
Figure 49 Nouvelle occupation du sol dans le bassin de Martissant

3. Les Modèles
Un modèle hydrogéologique est une représentation mathématique des écoulements d’eau. Le modélisateur
doit donc s'attacher à bien comprendre son problème, à choisir le logiciel adéquat (1D, 2D, 3D, régime
permanent ou transitoire..), à définir les moyens de la calibration de son modèle, à effectuer cette calibration
et à valider son modèle (vérification de son modèle sur d'autres mesures que celles utilisées pendant la
calibration).

Les modèles peuvent être présentées en 3 catégories selon leur dimension spatiale (Mancini 2008) :
Modèles 1D. Généralement utilisés pour les réseaux fluviaux et les canaux, ils décrivent la variation des débits
et des concentrations en sédiments, ainsi que d'autres variables dans la direction longitudinale au drain
considéré. Dans des cas particuliers des modèles 1D peuvent être utilisés verticalement, par exemple, pour les
lacs stratifiés verticalement. Ces modèles sont fondés sur les équations de Saint Venant qui négligent toutes les
composantes locales de vitesses à l'exception de la composante suivant l'axe de l'écoulement.

38
Modèles 2D. Ce sont des modèles qui décrivent la variation des variables simulées à la fois dans la dimension
horizontale (ou pour certains cas particuliers dans la dimension verticale et une seule direction horizontale).
Ces modèles 2D sont généralement utilisés pour les inondations d'onde/impulsion de simulation sur les plaines
d'inondation, de mouillage côtier/séchage et dans les lacs peu profonds.
Modèles 3D. Modèles décrivant les variables de calcul dans toutes les directions spatiales. Les domaines
d'application typique comprennent les lacs, les réservoirs, les plaines d'inondation, les rivières, les zones
côtières et la mer, domaines où les processus sont pour la majorité en 3 dimensions : deux directions
horizontales et une verticale.
L'inconvénient des modèles 2D et 3D est que la description d'un réseau à lit majeur important (large) n'est pas
commode, les modèles 1D sont mieux adaptés pour cette tâche. Cependant, la solution plus évidente pour
contourner les limitations intrinsèques des différents types de modèles consiste à utiliser de façon combinée
modèle 1D/2D/3D pour utiliser les avantages de chacun.

i. Typologie des logiciel pour les modèles 1D, 2D

Dans le tableau 17 sont indiqués certains logiciels disponibles, qui mettent en œuvre des modèles
d’inondations. En plus du type de modèle, sont indiqués les variables calculées par le modèle : La vitesse U
(peut être dans deux directions) et la hauteur h de l'écoulement (tirant hydraulique). Ils indiquent également
les équations contraintes respectée par les modèles en termes de conservation des quantités physiques, en
particulier, de masse (M, l'équation de continuité) et de l'élan (QDM, l'équation dynamique). En fait, les
modèles les plus simples ne respectent pas les équations canoniques de la conservation de l'hydraulique ce qui
rend les solutions résultantes moins probables.

Tableau 10 Logiciels disponibles pour modelés d’inondations (Source : Mancini 2008)

Le modèle que nous avons utilisé est décrit plus en détail ci-dessous.
« HEC-RAS, Hydrologic Engineering Centers River Analysis System (Système d'analyse des rivières du centre
d'ingénierie hydrologique) est un logiciel de modélisation hydraulique destiné à simuler l'écoulement dans les
cours d'eau et les canaux. Le modèle utilisé est unidimensionnel, ce qui signifie qu'il n'existe pas de
modélisation directe des variations hydrauliques dues aux changements de forme de la section transversale, à
la présence de coudes ou autres aspects d'un écoulement 2D ou 3D. Le programme a été élaboré dans le but
de gérer les rivières, les ports et autres travaux publics relevant de leur compétence. Développé par
l'Hydrologic Engineering Center (HEC) en Californie, ce système permet aux ingénieurs en hydraulique
d'analyser les débits dans le lit des rivières et de déterminer les zones inondables.

La procédure de base de calcul du logiciel HEC-RAS pour les écoulements permanents est basée sur la solution
de l'équation de conservation de l'énergie à une dimension. Les pertes d'énergie sont évaluées par les
frottements et les effets de contraction / expansion. L'équation de quantité de mouvement est également
utilisée dans les situations d'écoulement rapidement varié, par exemple au niveau de ressauts hydrauliques, de
ponts et de confluences. Pour les écoulements non permanents, le logiciel résout l'ensemble dynamique des
équations de Saint-Venant par la méthode des différences finies.

39
Inconvénients : Basé sur le modèle traditionnel 1D de Saint Venant qui néglige toutes les composantes locales
de vitesses à l'exception de la composante suivant l'axe de l'écoulement. En outre, il s’applique uniquement
dans le cas des cours d’eau à faible pente. » [Wikipedia 2012]

ii. Application modèle 1D avec HEC Géo-Ras

HEC-Ras est très utile grâce à son interface Geo-Ras facilement exploitable sur ArcGis.

ArcGIS et Géo-Ras (Ras Geometry)

Les informations obligatoires demandées en entrées de l'application sont :
La géométrie du drain, déjà digitalisé précédemment (page 30).
Les sections transversales du drain. Il existe une version automatique pour établir le nombre des
sections long le drain, leur périodicité et la largeur de modélisation.
La topographie de la zone modélisée : MNT ou MNS
Les informations facultatives sont :
Le réseau des drains, Flowpaths
Les obstacles – embâcles, Bloked Obstructions
Les limites de la zone de stockage, i.e. lit majeur, Storage area
L'occupation du sol, Land Use

Géo-Ras est un excellent outil d’échange des données entre les deux interfaces : ArcGIS et HEC-Ras. Tout
d'abord on a digitalisé toutes les entrées y compris les variables facultatives. Lors des différentes
modélisations, les variables facultatives ont été introduites successivement, éventuellement en faisant varier
certaines d'entre elles entre les différents essais.

Apres l’exportation des données Geo-Ras on peut continuer à manipuler les informations sur HEC-Ras. Ci-
dessous les étapes mises en œuvre :
Geometric data. Analyse section par section de toutes les valeurs topographiques et des coefficients
de Manning.
Steady Flow data, régime permanent. Création de cinq scénarios avec un débit constant pour les
diffèrent temps de retour (T2, T5, T10, T50, T100).
Unsateady flow data, régime transitoire. 24 heures de simulation de la variation de crue d’eau avec un
pas de 1heure. Simulation effectuée pour chaque temps de retour.
Run. Calcul du modèle.
Import en format ArcGis Basel Plan: Plan 01 5/7/2012

.003 . .003
16 0 Legend
0
2
EG Biggest

15 WS Biggest
Crit Biggest

EG Bigger
14 WS Bigger
Crit Bigger

EG Big
Elevation (m)

13
WS Big
Crit Big
12 Ground
Bank Sta

11

10

9
0 200 400 600 800 1000
Station (m)

Figure 50 Image d’une section du modelé après la simulation Steady. Hauteur d’eau pour diffèrent temps de retour

Grâce à l’outil de Geo - Ras (Ras Mapping) on peut extraire les couches suivantes et les importer dans ArcGIS :
Cartes d’inondation par surface et hauteur d’eau (Inundating Mapping),
Cartes avec valeurs de vitesse (Velocity Mapping).

40
 a. Zone d’intérêt
Les modélisations sont testées sur deux zones d’intérêt : la zone du stade et son sous bassin. Les étapes et
techniques utilisées pour la modélisation sont décrites dans les deux chapitres suivants, la complexité des
modèles et les temps de calculs vont croissants.

0 0.5 1 2 3 4
Km

Figure 51 Zones d'intérêt de la modélisation

Zone du stade

Pour gagner du temps, la zone du stade a été utilisée pour tester les différents jeux de données en entrée dans
HEC Ras et donc évaluer les potentiels et les limites de l'outil par rapport à nos objectifs. Plusieurs essais ont
été réalisés, en utilisant :

Différents types de modèles numériques de terrain,

Figure 52 Modèle à étoiles tirées, calculé sur le MNT du départ et calculé sur MNS avec intégration du bâti

Sans surprise, on constate une modélisation plus réaliste (en superposant avec les images aériennes) avec
un MNS plutôt qu'un MNT.

Différents types de sections (distance entre les sections, largeur), avec même représentation du drain,

On constate que plus il y a de sections le long du drain, plus la modélisation est réaliste. Cependant, le fait
d'avoir des sections plus larges ne change pas le résultat.

41
 Differentes représentations du drain avec mêmes sections,

On constate que les parties du drain parallèles aux sections ne sont pas modélisées. Sinon il n'y a pas de
changements.

Différentes occupation du sol

La rugosité est une caractéristique de l’état de surface d'un matériau solide et un paramètre d’écoulement
important. La dernière série de modélisations est fondée sur l’implémentation des coefficients de rugosité (de
Manning).

Initialement, avec l’idée de comprendre le fonctionnement du logiciel, on a observé les différents

débordements obtenus avec un coefficient de Manning constant pour toute la zone du stade.

On a fait donc tourner le modèle avec deux valeurs de Manning extrêmes, celui du ciment (0.011, rugosité très
faible), et celui de la forêt (0.15, rugosité très forte).

Table 1 Valeurs de Manning utilisez pour le cinq classes d’occupation du sol

Les différents essais montrent clairement l'importance d'avoir une description détaillée des rugosités du sol. En
effet, on constate que plus la rugosité est faible, ou plus les zones faiblement rugueuses sont importantes, plus
la zone inondée est large. D'où l'intérêt d'avoir une bonne classification du sol.

A la suite de cette modélisation très basique nous avons utilisé comme zone d'intérêt le bassin versant de
Martissant. Les cinq classes de notre nouvelle occupation du sol ont été utilisées pour spatialiser les valeurs
spécifiques du coefficient de Manning.

Bassin versant de Martissant

La stratégie mise en œuvre à l'issue de tous les essais exploratoires réalisés essentiellement sur la zone du
stade a été d'utiliser l’OPTION ZERO, proposée dans la littérature pour les modèles 1D. Cette option considère
tout le bassin comme un énorme fleuve avec donc des sections aussi larges que le bassin, et comme centre de
la rivière une ligne droite au milieu du bassin, partant de la section d’entrée jusqu’à la mer.

Figure 53 Sous bassin représentant la version simplifiée du concept de l’option zéro

42
 Occupation du Sol

A partir de la nouvelle occupation du sol on peut déduire les différents coefficients de rugosité de Manning
pour chaque section de la rivière et les valeurs de CN à introduire dans le script Excel déjà présenté dans le
chapitre sur le calibrage de la section d’entrée dans la plaine pour calculer l’hydrogramme.

Malheureusement, nous avons saisi une moyenne de 400 valeurs de Manning pour chaque section du bassin,
mais en raison de la limitation de conception d’HEC Ras on a été obligé de calculer une valeur moyenne par
section. On se trouve bien dans un cas de figure où c'est l'outil de modélisation qui limite l'exploitation de la
connaissance fine du terrain délivrée par la télédétection.

Ici dessous une représentation graphique du changement de coefficient de Manning pour chaque "tranche" de
notre bassin.

Figure 54 Coefficient de Manning moyen pour chaque zone déterminée par les sections

Figure 55 Moyenne de valeurs de Manning pour chaque section. Courbe qui suit la densité de l’urbain dans Port au Prince

Le CN, Runoff Curve Number (nombre de courbes de ruissellement) est un paramètre fourni dans une table par
le Soil Conservation Service (SCS), utilisé en hydrologie pour prédire le ruissellement ou l'infiltration directe de
la pluie en excès. Le CN dispose d'une gamme de 30 à 100. Plus le numéro de courbe est bas plus le sol est
perméable. Nous avons utilisé les valeurs B du CN, c'est à dire la deuxième des quatre colonnes (par ordre
croissant de perméabilité du sol). A l’aide de différents types d’utilisation du sol, en regroupant les régions déjà
délimitées par les sections, le bassin est divisé en cinq zones, avec les valeurs suivantes:
- Côtes sableuses : 55
- Urbain continu : 92
- Urbain discontinue : 85
- Forêt clairsemée : 66
- Zone urbaine à moins de 25% : 70

43
 Figure 56 CN pour groupe de zone déterminé par les sections

Les régimes
Comme déjà exposé dans le chapitre sur le "Calibrage de la section d’entrée dans la plaine" avec HEC Ras il y a
la possibilité d’utiliser deux types de régimes pour les débits d'entrée : stationnaire ou transitoire. Jusqu’à
maintenant on s'est servi uniquement du premier. Dans la suite, le régime transitoire est exploité également.

1. Régime Stationnaire (Steady Flow)

Processus physique qui est indépendant du temps, i.e. avec un débit constant dans le temps. On a choisi de
modéliser le régime stationnaire pour cinq périodes de retour : 2, 5 10, 50 et 100 ans.

Figure 57 Scenarios pour les cinq temps de retour (2, 5, 10, 50, 100 ans) et les pentes respectives en amont et en aval du bassin

T2
0 0.25 0.5 1 1.5 2
Km T100

Figure 58 Différences entre zones d’inondations avec un temps de retour de 2 et 100 ans

La différence entre les inondations produites pour les débits correspondants aux deux temps de retour
extrêmes est peu marquée dans la partie en amont, par contre bien visible en aval, comme on pouvait s'y
attendre. Ci-dessous la carte des hauteurs d’eau modélisée pour des précipitations de fréquence centennale.

44
 0 0.25 0.5 1 1.5 2
Km

Figure 59 Carte des hauteurs d’eau avec un temps de retour de 100 ans

2. Régine transitoire, Unsteady Flow

Un régime transitoire est un processus qui tend vers un équilibre, sur une période plus ou moins longue. Un
modèle d'écoulement non transitoire est approprié lorsque les variations de débits sont importantes. Il est
donc très intéressant de pouvoir simuler l’écoulement dans notre bassin avec un régime transitoire, parce que
la dépendance au temps donne une meilleure représentation de la réalité. En plus, pendant un régime
transitoire on peut simuler les atténuations d’onde de crue et les changements temporels dans les conditions
limites.

Le régime transitoire d’HEC Ras résout les équations 1D de St Venant pour un canal ouvert (Mancini 2008):

Q est le débit total en bas de la portée, A (Ac, Af) l'aire de section de l’écoulement (dans le canal, inondation),
xc et xf sont des distances le long du canal et des plaines inondables (qui peuvent différer entre les sections
pour permettre de prendre en compte la sinuosité du canal). P est le périmètre mouillé, R est le rayon
hydraulique (A/P), n rugosités de Manning et S la valeur de la pente de frottement. F détermine comment le
débit est partagé entre la plaine inondable et le canal, selon le Kc moyen de transport et de Kf. Ces équations
sont discrétisées en utilisant la méthode de différence finie et sont résolues en utilisant la méthode des boites.

Partant de l’hypothèse que, avant chaque évènement pluvieux, nous considérons le débit de la rivière comme
insignifiant, les conditions initiales ont été mises à zéro. Par contre, les informations à la périphérie entrées
dans le modèle sont : l'hydrogramme en cloche (Flow hydrograph) dans la section amont, et les hydrogrammes
pour chaque section intermédiaire (Lateral Inflow Hydrograph) en calculant la surface de chaque sous bassin a
qui leur sont liées la pente dans la section en aval.

45
 Figure 60 Hydrogramme à cloche pour chaque section du bassin

La modélisation a tourné avec un pas de temps de 10 minutes et a permis de réaliser une vidéo qui simule
l’onde de crue et ses atténuations dans le temps. Ci-dessous la carte des hauteurs d’eau pour une modélisation
d'une durée de 24 heures, c'est à dire une modélisation qui montre les valeurs de débordement majeures
pendant un jour entier.

0 0.25 0.5 1 1.5 2

Km

Figure 61 24 heures de modélisation en utilisant 24 sections intermédiaires

b. Complexifications possibles pour le modèle 1D

Problématique due aux marées
Les inondations et crues torrentielles sont parfois dues aux cyclones en Haïti. Cependant, les cyclones ne sont
pas responsables uniquement de pluies intenses mais induisent également des marées hautes. Les premières
entraînent la montée brusque des eaux par le sur-ruissellement et les secondes, l’élévation du niveau de la mer
qui conduit à la submersion de superficies plus ou moins vastes. Même si dans le cas de Port au Prince la
problématique de la marée haute reste négligeable (selon http://www.mareespeche.com) la plus haute mer
enregistrée sur les tables de marées à Port-au-Prince reste très faible avec une valeur du 70 cm. Après le
tremblement de terre de 2010, le risque de tsunami a été souligné. Il serait intéressant de simuler une
inondation lors d'une élévation de 1, 5 à 10 mètres du niveau de la mer (niveau de base).

46
 0 0.25 0.5 1 1.5 2
Km

Figure 62 Carte d’inondation avec une élévation de 5 mètre du niveau de la mer long la cote du bassin

Problème des déchets et des embâcles

D'après notre connaissance du terrain la plus grand partie des passages sous les ponts de Port-au-Prince son
obstrués par des déchets empêchant en grand partie le passage de l’eau. Les simulations réalisées jusqu’à
maintenant sont basées sur l’hypothèse que chaque pont de la rivière représente en fait un barrage . L’intérêt
serait de relancer les simulations en partant de l'hypothèse que ces obstacles à l'écoulement ont été nettoyés.

c. Limitations du modèle 1D de HEC-RAS

Le modèle ayant été créé pour modéliser les débordements de rivière, et non pour modéliser les ruissellements
urbains, on se confronte à quelques limitations :
Nombre maximum de points altimétriques par section : 500
Nombre maximum de valeurs de Manning pour chaque section : 20
Pas un modèle à obstacles, c'est-à-dire qu'on doit modifier le MNS pour ajouter des éléments du
sursol. Sur un modèle à obstacle on aurait pu ajouter dynamiquement des objets du sursol (maison,
embâcles, ronds-points…).

Cependant, les modélisations sont satisfaisantes grâce à la très bonne qualité des informations géospatiales
dont on disposait : MNS, occupation du sol, images aériennes.

iii. Validation des modèles

Plusieurs méthodes sont utilisées pour l'évaluation des simulations d'inondations, et pour comparer les
performances. Il s'agît en quelque sorte d'analyser la fiabilité des simulations en comparant les résultats à la
réalité. Pour ce faire, nous introduisons une mesure de la fiabilité, définie par un indicateur, ce qui rend le
processus d'évaluation le moins subjectif possible. En premier lieu la validation se fait dans un cas pour lequel
des observations de terrain sont disponibles : les inondations observées, et certaines dimensions hydrologiques
et hydrauliques ont été mesurées. Dans une deuxième étape, nous allons considérer le cas où aucune
observation n’est disponible et l'analyse de la fiabilité doit être réalisée en l'absence de données ou données
indirectes.

Le premier cas est possible grâce à des observations faites dans le quartier de Martissant, par certains
coopérants de la fondation FOKAL située à Port-au-Prince. Malheureusement on ne possède pas d'images de
Port-au-Prince pendant les inondations. Cependant la validation indirecte possible est faite à partir d'une
modélisation similaire réalisée sur une autre ville à 100km au nord : Gonaïves.

a. Analyse de la fiabilité en présence de données observées

Les informations fournies par FOKAL ont été de grande valeur parce que ce sont les seules informations de
terrain disponibles. Par contre, très peu de points d'observations sont localisés sur la zone d'étude. On ne peut
pas donc prendre en considération uniquement de ce type de validation.

47
Comme on ne dispose pas d'une validation déterminante uniquement en exploitant les données observées sur
notre terrain, une validation a été effectuée en utilisant des images optiques prises après quatre ouragans sur
la ville de Gonaïves en 2008 :

25 août 2008 : les dépressions majeures Fay et Gustav provoquent de fortes tempêtes tropicales.
2 septembre 2008 : l'ouragan Hanna ravage les départements de l'Artibonite et du Nord-Est. Plusieurs
villes sont inondées dont Gonaïves.
6 septembre 2008 : l’ouragan Ike, classé dans la catégorie 4, effleure les côtes septentrionales d'Haïti
provoquant de fortes pluies dans les département du Nord et de l'Ouest.

Figure 63 Suivi de l’ouragan Ike (1er et 2 septembre), NOAA

b. Analyse de la fiabilité en présence de données indirectes

La validation indirecte résume toute les analyses faites jusqu’ici. La seule différence va porter sur la détection
de la zone inondée à Gonaïves pendant les deux dates et le type de données utilisée pour cette validation. Plus
précisément, dans la région, on ne possède pas de lidar, ni de MNT HRS, ni d'imagerie aérienne, mais d'images
WorldView-1 et SPOT-5. Malheureusement les images optiques Worlview-1 n'ont pas une emprise suffisante
pour couvrir l’ensemble du bassin versent de Gonaïves. Par conséquent, nous sommes obligés de combiner la
génération d'un MNS stéréoscopique à partir des images Worldview-1 avec le SRTM ré échantillonné à 10m.
Ci-dessous la liste des étapes de la procédure suivie :
Récupération et analyse de la base de données du SERTIT de l'action "Charte Internationale Espace et
Catastrophes Majeures" n° 220 et 222. Les cartes sont visibles sur le site internet du SERTIT.
Création d'un MNS stéréoscopique (LPS, Erdas Imagine) à partir d'images Worldview-1 du 22/01/2010
et 28/11/2009
Analyse hydro morphologique à partir des MNS SRTM et Worldview-1
Pluviométrie : récupération des valeurs pluviométriques pendant l’inondation
Digitalisation des drains et des sections
Cartographie de l'occupation du sol à partir d'une image SPOT-5 acquise le 07/09/2007
Modélisations 1D HEC-Ras sur l’ensemble du bassin
Extraction de l'eau d'inondation à partir d'images SPOT-5 acquises avant et pendant l'évènement
(07/09/2007 et 09/09/2008)
Validation de la modélisation

Deux extractions d'eau ont été réalisées sur les images (référence et crise) puis une seule couche d'eau
d'inondation a été créée par soustraction entre les deux extractions.

48
 Legend
Zone_Inond_2008_New.img
Class_Name
Vegetetion Zone umide
Foret Inond3
0 1 2 4 6 8 Bati Inond2
Km
Sol_Nu Inond1

Figure 64 Classification d’occupation du Sol, zones inondées.

Drains principaux, chemins principaux d’inondation entrant dans l’urbain

Ci-dessous une image du bassin de Gonaïves (dans l’emprise de l'image Worldview-1) représentant en noir
l’extension des zone détectées comme inondées sur les images SPOT-5 et en rouge la modélisation faite avec
HEC-Ras. Ainsi qu'une carte des hauteurs d’eau dans la zone urbaine de Gonaïves.

0 2 4
Km

Legend Legend
WorldView_New WorldView_New
Legend
Gonaives_NEW_SousBassin Gonaives_NEW_SousBassin
Extract_dP001
Lac Lac
Value
Steady High : 3
Steady
Zone inondé
Zone inondé Low : 0

Figure 65 Extension de zone d’inondation. Dans la première carte : en rouge modélisation du régime permanent, en noir zone détectée
comme inondée. Carte affichent les hauteurs d’eau entre 0 et 3 mètre et zoom dans le Centre-Ville de Gonaïves.
[1]
c. Estimation de la qualité pour trois zones
En regardant le résultat de la modélisation et nous rappelant les objectifs du notre étude « modélisation du
risque de ruissellement et inondation dans l’urbain », on suit la validation thématique avec une orientation
plutôt urbaine. On constate une division de l'agglomération de Gonaïves en trois bassins versants. Cependant
on focalise l’attention uniquement dans le bassin central car c'est celui impliqué dans les inondations. Les
calculs de validation ont été réalisés pour trois zones : l'emprise de l'image WorldView-1, la zone urbaine de
l'agglomération de Gonaïves, et la zone urbaine localisée uniquement sur le bassin versant central de Gonaïves.

49
Pour chacune des 3 zones, une matrice de confusion est établie et la précision totale ainsi que le coefficient
Kappa, taux de détection, fausse détection, et facteur qualité sont calculés. En pratique, cela revient à
confronter les différentes classifications réalisées à des échantillons (points pris au hasard), considérés comme
étant la référence.

A partir de la matrice de confusion, le coefficient Kappa est calculé. Il exprime "la réduction proportionnelle de
l’erreur obtenue par une classification, comparée à l’erreur obtenue par une classification complètement au
hasard" *Girard et Girard, 1999+. Il s’applique donc à un échantillonnage au hasard et tient compte des erreurs
en lignes et en colonnes de la matrice de confusion. Un coefficient Kappa proche de 0 traduit une classification
fortement due au hasard. Il se calcule de la manière suivante par [Girard et Girard, 1999] :

Avec : r nombre de lignes, N nombre total d’observations, xii éléments de la diagonale, xi+ éléments sous la
diagonale, x+i éléments au-dessus de la diagonale.

Afin d’avoir plus d'informations sur la qualité des résultats, nous avons calculé aussi les trois indicateurs
suivants : le taux de détection, le taux de fausse détection et le facteur qualité (Durand, 2008).

Avec :
BD : Bonne modélisation, c'est-à-dire les pixels « eau » dans la modélisation et « eau » dans la classification.
FD : Fausse modélisation, les pixels modélisés « eau » alors qu’ils sont « non-eau » dans la classification.
ND : Non modélisation : les pixels modélisés « non-eau » alors qu’ils sont « eau » dans la classification.

0 2 4
Km

Figure 66 Résultats de la qualité thématique de la modélisation par zone

Au regard de l’évaluation de la qualité, nous pouvons considérer que la modélisation est satisfaisante
uniquement à l'intérieur de la troisième zone (urbain uniquement dans le bassin versant de Gonaïves), avec un
coefficient du Kappa supérieur à 0,60 et un taux de détection de 73%.
Dans la partie urbaine du bassin central on voit que la seule zone mal modélisée se trouve aux alentours d’un
canal étroit, non rendu par le MNS. Ceci implique une modification importante car dans la réalité, le canal a
drainé l'eau et inondé une large zone. Dans la modélisation, l'eau n'a pas emprunté le canal et a coulé tout

50
 droit. La modélisation a donné des résultats moins satisfaisants qu'attendus pour les deux premières zones. Les
résultats sont bien différents entre la campagne et l'urbain :

campagne : on se trouve avec une modélisation souvent très différente par rapport à la télédétection de
l'inondation de 2008. Cependant cela peut s'expliquer par l’effet des conditions très particulières pendant
un ouragan (conditions du vent, vagues marines...) et des coefficients utilisés pendant la modélisation, à
affiner (rugosité et perméabilité).

urbain : La modélisation est satisfaisante. Pour la deuxième zone, les résultats ne sont pas complètements
cohérents car une arrivée d'eau (lac) n'a pas été prise en compte dans la modélisation, car en dehors de
l'image Worldview-1.

Plus généralement, les erreurs majeures sont dues à la résolution pas suffisamment bonne du MNS utilisé.
Ceci est caractérisé par un débordement très souvent localisé sur des rigoles d’irrigations très étroites
longeant des rues, non visibles sur le MNS.

Figure 67 Différences entre la modélisation (rouge) et l'observation (noir). Mise en évidence deux zone d'erreur due à la résolution
insuffisante et à l'emprise du MNS. Le cercle jaune montre la zone alimentée par le canal et le cercle vert montre cette alimentée par le lac

d. Comparaison avec l'étude menée à Port-au-Prince

Les résultats à Gonaïves montrent qu'avec des données bien résolues et couvrant l'intégralité des bassins
versants à étudier, on aurait pu améliorer la qualité de la modélisation. Sachant qu'à Port-au-Prince on dispose
de telles données, on peut s'attendre à une modélisation de très bonne qualité sur le quartier de Martissant,
même si nous n'avons pas eu suffisamment de données de validation sur cette zone pour le contrôler
directement.

51
Conclusion
L'étude visait à étudier la potentialité des données de télédétection pour des études hydrologiques en milieu
urbain, à Port-au-Prince. Pour cela, plusieurs étapes ont été menées : tout d'abord la préparation des données
de télédétection et pluviométriques, la bonne compréhension du fonctionnement du bassin par des processus
hydro morphologiques, la modélisation proprement dite, puis la validation.

Par manque de données, la validation a été réalisée sur la ville de Gonaïves, 150km au nord de Port-au-Prince,
frappée par des cyclones successifs en 2008. Les impacts ont été observés par des images satellites dans le
cadre de la Charte Internationale Espace et Catastrophe Majeures.

A l'issue de ces études, nous pouvons constater les points suivants :

La qualité de la base de données est essentielle pour une bonne modélisation : emprise des images,
résolution spatiale des images et des modèles numériques de terrain, classification d'occupation du
sol détaillée, données hydro-pluviométriques horaires, données de validation in-situ.

La modélisation 1D dans HEC-Ras a toutefois donné des résultats satisfaisants dans l'urbain, même si
le logiciel n'est pas fait pour des utilisations de ce type. Cependant, il serait intéressant d'utiliser un
modèle 2D pour comparer les résultats.

Un modèle 2D résout les équations de Saint Venant dans le cas de l'eau peu profonde avec une méthode des
éléments finis à deux dimensions. Ceci permettrait par exemple une analyse fine dans l’urbain où les routes
n'ont pas de direction constante, de calculer des cartes de vitesse de flux d'eau et de permanence d'eau. Ce
type de modèle est théoriquement conçu pour la modélisation des ruissellements urbains.

La poursuite du travail doit s'axer sur la récupération d'informations pluviométriques horaires sur Port-au-
Prince ainsi qu'une campagne de validation terrain afin de consolider les résultats.

52
Table des figures
Figure 1 Haiti Water Resources Assessment, US Army Corps of Topographic Engineering Center .................................................................... 6
Figure 2 Principes d’infiltration et de ruissellement (source : SMBV Pointe de Caux) ....................................................................................... 8
Figure 3 De gauche à droite : ruissellements en vallon sec, débordement des réseaux d'assainissement et remontées de nappe .................. 8
Figure 4 Bing basemap. En rouge, points TRMM au sol et emprises Lidar en Bleu, QuickBird en vert, HRS en orange ..................................... 9
Figure 5 Mosaique des images Google, localisation des dalles sur l’agglomération de Port au Prince et exemple d’image ............................ 10
Figure 6 De gauche à droite : image Spot et QuickBird en fausses couleurs. En rouge, emprise de la dalle QuickBird .................................... 11
Figure 7 Principe d’acquisition de coupes stereoscopique par l’instrument HRS, source CNES ....................................................................... 12
Figure 8 Digitalisation du Bâti .......................................................................................................................................................................... 12
Figure 9 Routes dans Port au Prince et zoom sur l’Ilot de Martissant, CRF (Croix Rouge Frances) et Centre-Ville .......................................... 13
Figure 10 Shadow Index et occupation du sol, zoom sur l'aéroport ................................................................................................................ 13
Figure 11 Schéma du satellite TRMM, http://trmm.gsfc.nasa.gov................................................................................................................... 16
Figure 12 Zoom sur le reechantillonage du HRS. En ordre à: 20m, .................................................................................................................. 17
Figure 13 Zoom sur deux trous de l’image ....................................................................................................................................................... 18
Figure 14 Exemple, en utilisant differentes valeur de tolérance du TIN .......................................................................................................... 18
Figure 15 Sur la première ligne conversion du TIN en noeuds puis création du nouveau TIN. Sur la deuxième ligne, nouveau raster............ 19
Figure 16 Exemple d’erreurs quand pendant la production de cates de pentes dues au rééchantillonnage du MNT HRS .............................. 20
Figure 17 Profil d'une cuvette et d'une crête avant et après le remplissage. Tutorial d’ArcGis ....................................................................... 20
Figure 18 Raster calculator → MNT FILL – MNT ............................................................................................................................................... 21
Figure 19 Matrice d’explication. Tutorial d’ArcGis ........................................................................................................................................... 21
Figure 20 A gouche: Raster to feature → intersection entre réseaux routiers et direction de flux (en forme vectorielles) ............................. 22
Figure 21 Surposition des directions de flux sur image Google........................................................................................................................ 22
Figure 22 Détermination de l'accumulation de flux. Tutorial d’ArcGis ............................................................................................................. 22
Figure 23 Accumulation des flux à la limite entre Lidar et HRS. Valeurs d'accumulation crossantes ............................................................... 23
Figure 24 Flow Accumulation superposé aux images aériennes dans l'urbain ................................................................................................. 23
Figure 25 Méthode de hiérarchisation de Strahler et de Shreve ..................................................................................................................... 24
Figure 26 Accumulation des flux. Drains majeurs dans le bassin de Port au Prince (HRS) et Martissant (Lidar) .............................................. 24
Figure 27 Détermination de bassin versant. Tutorial d’ArcGis ......................................................................................................................... 25
Figure 28 Bassins versants de Port-au-Prince generé avec intersection HRS et Lidar ...................................................................................... 25
Figure 29 Raster avec le résultat du traitement. Il montre le temps d'écoulement dans un sous bassin ........................................................ 26
Figure 30 Emprise de points TRMM, en bleu clair le point sur Port au Prince ................................................................................................. 27
Figure 31 Schéma explicatif du Downscaling, Daniele Bocchiola ..................................................................................................................... 29
Figure 32 Etapes à suivre pour le tracé des drains, image Google et courbes chaque 1m ............................................................................... 30
Figure 33 Localisation de la section d’entrée à l’aide des courbes de niveau à 10m et schéma explicatif. ...................................................... 31
Figure 34 Valeurs en entrée dans le fichier Excel. Flèche jaune indique le débit pour régime stationnaire .................................................... 31
Figure 35 Exemple de résultat pour le débit produit dans le Script Excel dans le cas d'un débordement du drain ......................................... 32
Figure 36 Bonne description des sections critiques: MNS à 1m, debit du drain de 10 m3/h ........................................................................... 33
Figure 37 Problématique des voitures et camions : MNS à 1m, debit du drain de 200 m3/h .......................................................................... 33
Figure 38 Schéma explicatif du Filtre par hauteur ........................................................................................................................................... 34
Figure 39 Zoom de l’image Google sur un carrefour embouteillé par des camions et classification des hauteurs en cinq classes .................. 34
Figure 40 Schéma explicatif du Filtre par hauteur ........................................................................................................................................... 34
Figure 41 A gauche détection de camions par la hauteur entre 2-3m. ............................................................................................................ 34
Figure 42 Fonction d’Erdas Imagine (Connected Neighbords) Connexité de 8 et 4 pixels lors du regroupement des pixels. .......................... 35
Figure 43 A gauche relief ombré du MNT du depart et à droite relief ombré du nouveau MNS ..................................................................... 35
Figure 44 Groupe de gauche : Flow Accomulation generé avec le MNS brut, un arbre change le cours du drain ........................................... 36
Figure 45 Filtrage par nombre de pixels de végétation haute. ......................................................................................................................... 36
Figure 46 Séquence d’essais pour différentes hauteurs de végétation ............................................................................................................ 37
Figure 47 A gauche classification initiale, au milieu image après le filtrage objet >10 pixels et à droite zoom sur groupe détecté ................ 37
Figure 48 Routes dans les bassins et zoom sur une zone avec zones tampons à 5 et 10 m ............................................................................. 38
Figure 49 Nouvelle occupation du sol dans le bassin de Martissant ................................................................................................................ 38
Figure 50 Image d’une section du modelé après la simulation Steady. Hauteur d’eau pour diffèrent temps de retour.................................. 40
Figure 51 Zones d'intérêt de la modélisation ................................................................................................................................................... 41
Figure 52 Modèle à étoiles tirées, calculé sur le MNT du départ et calculé sur MNS avec intégration du bâti ................................................ 41
Figure 53 Sous bassin représentant la version simplifiée du concept de l’option zéro .................................................................................... 42
Figure 54 Coefficient de Manning moyen pour chaque zone déterminée par les sections .............................................................................. 43
Figure 55 Moyenne de valeurs de Manning pour chaque section. Courbe qui suit la densité de l’urbain dans Port au Prince ....................... 43
Figure 56 CN pour groupe de zone déterminé par les sections ....................................................................................................................... 44
Figure 57 Scenarios pour les cinq temps de retour (2, 5, 10, 50, 100 ans) et les pentes respectives en amont et en aval du bassin .............. 44
Figure 58 Différences entre zones d’inondations avec un temps de retour de 2 et 100 ans............................................................................ 44

53
Figure 59 Carte des hauteurs d’eau avec un temps de retour de 100 ans ....................................................................................................... 45
Figure 60 Hydrogramme à cloche pour chaque section du bassin ................................................................................................................... 46
Figure 61 24 heures de modélisation en utilisant 24 sections intermédiaires ................................................................................................. 46
Figure 62 Carte d’inondation avec une élévation de 5 mètre du niveau de la mer long la cote du bassin ...................................................... 47
Figure 63 Suivi de l’ouragan Ike (1er et 2 septembre), NOAA .......................................................................................................................... 48
Figure 64 Classification d’occupation du Sol, zones inondées.......................................................................................................................... 49
Figure 65 Extension de zone d’inondation. Dans la première carte : en rouge modélisation du régime permanent....................................... 49
Figure 66 Résultats de la qualité thématique de la modélisation par zone...................................................................................................... 50
Figure 67 Différences entre la modélisation (rouge) et l'observation (noir). Mise en évidence deux zone d'erreur ....................................... 51

Table des tableaux

Tableau 1 Principaux bassins hydrographiques du pays, US Army ..................................................................................................................... 7
Tableau 2 Structure de la population de Port au Prince en 2009, IHSI ............................................................................................................... 7
Tableau 3 Images optique disponibles de la base de données........................................................................................................................... 9
Tableau 4 Les données Lidar retenues pour la base KAL-Haïti (Source : Studer 2011)..................................................................................... 11
Tableau 5 Tableau résumé des données disponibles pour les stations pluviométriques autour de Port au Prince ......................................... 14
Tableau 6 Information sur les caractéristiques des canaux micro-ondes, NASA TRMM .................................................................................. 15
Tableau 7 Information du capteur radar, NASA TRMM ................................................................................................................................... 16
Tableau 8 Δ entre Z du Lidar et HRS ................................................................................................................................................................. 19
Tableau 9 Model Builder avec toutes les fonctionnalités utilisées de la bibliothèque Hydrology de Spatial Analyst ....................................... 20
Tableau 10 Logiciels disponibles pour modelés d’inondations (Source : Mancini 2008) .................................................................................. 39

Références Bibliographiques
Page Internet
CNES, http://www.cnes.fr/web/CNES-fr/884-hrs-en-quelques-chiffres.php
NOAA (National Oceanic Atmospheric Administration), http://www.noaa.gov/about-noaa.html
Syndicat Mixte des Bassins Versants de la Pointe de Caux,
http://www.smbv-pointedecaux.fr/web/infiltration_ruissellement
http://www.smbv-pointedecaux.fr/web/inondation.html
TRMM (NASA), http://trmm.gsfc.nasa.gov
Wikipedia,
http://fr.wikipedia.org/wiki/HEC-RAS]
http://fr.wikipedia.org/wiki/SPOT_(satellite)
http://fr.wikipedia.org/wiki/Port-au-Prince
http://fr.wikipedia.org/wiki/Tropical_Rainfall_Measuring_Mission]

Tutorial
ArcGıs 10: ArcHydro, ModelBuilder, Hydrologie
HEC-RAS 4.1 User’s Manual
HEC-GeoRAS 10

Publications
Arnaud DURAND 2008. Cartographie de la forêt et de son évolution, des types de forêt en considérant les essences et la structure de la
forêt. Application au Massif Vosgien, Mémoire d'ingénieur ESGT , Université du Maine
Aronica G, Hankin B, Beven K. 1998. Uncertainty and equifinality in calibrating distributed roughness coefficients in a flood propagation
model with limited data, Advances in Water Resources, 22, pp. 349–365
Aronica G, Hankin B, Beven, 1998. Topographic sensitivity and parameter uncertainty in the predictions of a 2D inundation model. In
Hydroinformatics’98 , Balkema: Rotterdam, pp. 1083–1088
Bates PD, De Roo APJ. 2000. A simple raster-based model for floodplain inundation. Journal of Hydrology, 236, pp. 54–77
Bates PD, Anderson MG, Baird L, Walling DE, Simm D. 1992. Modelling floodplain flow with a two dimensional finite element scheme. Earth
Surface Processes and Landform, 17, pp. 575–588
Bates PD, Anderson MG, Hervouet J-M. 1995. An initial comparison of two 2-dimensional finite element codes for river flood simulation.
Proceedings of the Institution of Civil Engineers, Water, Maritime and Energy, 112, pp. 238–248
Biggin DS, Blyth K. 1996. A comparison of ERS-1 satellite radar and aerial photography for river flood mapping. Journal of the Chartered
Institute of Water and Environmental Management, 10, pp. 59–64

54
D. Bocchiola R. Rosso 2009. Use of a derived distribution approach for flood prediction in poorly gauged basins: A case study in Italy,
Advances in water resources, 32(8), pp. 1284-1296
Céline Mikolajczak. 2011. Exploitation des données satellites optiques à très haute résolution appliquée à l’épidémiologie : cas du
paludisme urbain à Dakar, Mémoire de Master 2 INSA de Strasbourg, Ecole publique d'Ingénieurs et d'Architectes
Chan-Ji Lai, Chang-Ling Liu, Yeu-Zen Lin. 2000. “Experiments on flood-wave propagation in compound channel”, Journal of Hydraulic
Engineering, 126(7), per page. Paper No. 12869
Cline DW, Bales RC, Dozier J. 1998. Estimating the spatial distribution of snow in mountain basins using remote sensing and energy balance
modelling. Water Resources Research, 34, pp. 1275–1285
David T. Bolvin Mesoscale. 2012. Atmospheric Processes Laboratory, NASA Goddard Space Flight Center and Science Systems and
Applications TRMM and Other Data Precipitation Data Set
Diskin MH, Simon E. 1977. A procedure for the selection of objective functions for distributed hydrological models. Journal of Hydrology,
34, pp. 129–149.
Estrela T, Quintas L. 1994. Use of GIS in the modelling of flows on floodplains. In 2nd International Conference on River Flood Hydraulics,
White HR, Watts J (eds). Wiley: Chichester, pp. 177–189
Hashemi, M. R., Abedini, M. J., Malekzadeh 2007, A differential quadrature analysis of unsteady open channel flow, Applied Mathematical
Modelling, 31, pp. 1594–1608
Jie Chen, Steffler, P. M., Hicks, 2007, Conservative Formulation for Natural Open Channels and Finite-Element Implementation”, Journal of
Hydraulic Engineering, pp. 1064-1073
Iqubal Ahmed. 2011. Cartographie de référence pour la reconstruction de Port-au-Prince dans la base de données KAL-Haïti, Mémoire de
Master 1 Géographie, Faculté de géographie et d’aménagement de Strasbourg
Marco Mancini. 2008. Parametrizzazione del modello muskingum-cuge per stati successivi di moto permanente. Tesi di Laurea, Politecnico
di Milano
Mathias Studer2011. Cartographie et suivi d’inondations à partir de données très haut e résolution (THR) optiques et radars, Mémoire de
Master 2 Géographie, Faculté de géographie et d’aménagement de Strasbourg
Romanowicz R, Beven KJ. 1997. Dynamic real-time prediction of flood inundation probabilities. Hydrological Sciences Journal, 43, pp.181–
196
Samuels PG. 1990. Cross section location in one-dimensional models. In International Conference on River Flood Hydraulics, White WR
(ed.). Wiley: Chichester, pp. 339–350
US Département d’Ingénieur topographique, 1999, Evaluation des ressources d’eau d’Haïti, United state southern command
US Département d’Ingénieur topographique, 1999, Hydrologic Engineering Centre, A Muskingum-Cunge channel flow routing method for
drainage networks, United state southern command

55
Annexe 1 : Diagramme de Gantt

56