Main

Methodes mathematiques danalyse et de
modelisation appliquees a` lenvironnement.

J.M. DELHEZ
Dr. Ir. Eric
Septembre 2008
Chapitre 1
Concepts et outils de lanalyse
mathematique.
1.1 Fonction et relation.
La description des systèmes passe generalement par lassociation de grandeurs entre
elles, ce qui se traduit mathematiquement par la definition de fonctions et de relations.
Une fonction f est une loi qui, a` tout e lement x dun ensemble E, appele domaine
de definition de la fonction, associe un et un seul e lement f (x) dun ensemble F.
Les ensembles E et F peuvent contenir des e lements très differents de par leur nature
(individus, nombre, tenseur,. . . ) ou leur interpretation (temps, temperature, vitesse,
espèce,. . . ). Lelement important dans la definition dune fonctions, cest lassociation
dun e lement unique de F a` tout e lement de E. Cette association peut parfois e tre explicitee
au moyen dune formule mathematique, dune table, dun graphe, . . . . Ce nest cependant
pas necessairement le cas.
La notion de relation generalise celle de fonction. Dans une relation, les e lements du
domaine de definition E peuvent e tre mis en correspondance avec plusieurs e lements de
F. Certains e lements du domaine de definition peuvent e galement netre associe a` aucun
e lement de F. Par exemple, on peut definir une relation entre un ensemble de sites E et
un ensemble F despèces indicatrices en associant a` chaque site les espèces qui y sont
presentes.
Bien que souvent generalisables a` des espaces plus generaux, la plupart des outils
de lanalyse mathematique sont particulièrement bien adaptes a` letude des fonctions
reelles dune ou plusieurs variables reelles, i.e. E, F Rn . On sefforcera donc autant que
possible de traduire sous cette forme les proprietes physiques, biologiques ou chimiques
des systèmes e tudies, donnant ainsi accès a` une description quantitative de letat des
systèmes et des processus qui sy deroulent.
1.2 Limite et comportement asymptotique.

Le calcul de la limite dune fonction constitue loutil fondamental de lanalyse
mathematique continue. Mathematiquement, on e crit :
lim f (x) = a Rn
xx0
m
( > 0)( > 0)(x E, 0 < |x x0| ) : | f (x) a|
(1.1)
Lexistence dune limite finie de f pour x tendant vers x0 signifie que lon peut rendre
les valeurs de la fonction f (x) aussi proches que lon veut de la constante a en considerant
des points x E suffisamment proches de x0 (sauf e ventuellement x0 ).
Si f est a` valeur dans R, on e crira
lim f (x) =
ou
xx0
lim f (x) = +
(1.2)
xx0
pour signifier que les valeurs de f sont non bornees au voisinage de x0 .

La definition (1.1) est generale. Dans la suite, nous considererons quasi exclusivement
des fonctions reelles dune seule variable. Dans ce cas, lexistence de limites particulières
se traduit par des asymptotes dans le graphe de f .
Ainsi, si
lim f (x) =
(1.3)
xx+
0
en tous les points x > x0 suffisamment proches de x0 , la fonction crot ou decrot

indefiniment et se rapproche aussi près que lon desire de la droite x = x0 . De meme,
si
lim f (x) =
(1.4)
xx
0
la fonction f (x) approche la droite x = x0 pour des valeurs de x inferieures a` x0 . On

dit dans les deux cas que le graphe de f comporte une asymptote verticale en x = x0 .
Remarquons que ce comportement peut e tre different de part et dautre de x0 .
De meme, si
lim f (x) = a fini
(1.5)
x+
ou si
lim f (x) = a fini
(1.6)
la fonction se rapproche indefiniment de la droite horizontale y = a a` mesure que x crot ou

decrot. On dit que le graphe de la fonction y = f (x) possède une asymptote horizontale
y = a. Dans le cas où les limites peuvent secrire
lim f (x) = a
ou
lim f (x) = a+
f approche lasymptote horizontale par le dessous ou par le dessus.

2
(1.7)
E XEMPLE 1.1 Considerons la fonction de Michaelis-Menten decrivant la variation du taux de

croissance dune espèce phytoplanctonique en fonction de la concentration en nutriment [N]
dans le milieu :
[N]
([N]) = max
[N] +
où designe la constante de demi-saturation (Fig. 1.1).
([N])
max
max
2
[N]
F IG . 1.1
On calcule aisement
lim ([N]) = 0
[N]0
et
lim ([N]) = max
[N]+
Le premier resultat indique que le taux de croissance est très faible lorsque la concentration en
nutriment est proche de zero (Plus exactement, le taux de croissance peut e tre rendu arbitrairement
petit en considerant des concentrations proches de zero.).
Le second resultat montre que le taux de croissance est proche de la valeur max lorsque les
concentrations sont e levees. Ecrivant

([N]) sous la forme

1
([N]) = max 1
< max
()
[N]/ + 1
on verifie aisement que ([N]) approche sa valeur limite par valeur inferieure, i.e. que le graphe
de ([N]) est situe sous lasymptote. Ceci secrit
lim ([N]) =
max
[N]+
Lecriture de la loi de Michaelis-Menten sous la forme montre e galement que le

comportement de depend essentiellement du rapport [N]/. Nous reviendrons sur ce point lors de
letude des variables adimensionnelles. Nous pouvons cependant dejà remarquer que la constante
apparat comme une concentration caracteristique par rapport a` laquelle la concentration [N] peut
e tre comparee. Ainsi, lasymptote horizontale = max est bien approchee lorsque la concentration
[N] est grande par rapport a` . De meme, le taux de croissance sera faible lorsque [N] est lui-meme
petit par rapport a` la constante de demi-saturation.
La notion dasymptote oblique est introduite dans le cas où on peut trouver des reels
a et b finis tels que
lim f (x) = ,
lim
x+
f (x)
=a
x
et
lim f (x) = ,
lim
f (x)
=a
x
et
x+
lim
i
f (x) ax = b
(1.8)
lim
i
f (x) ax = b
(1.9)
x+
ou
x
Dans ce cas, la fonction f finit par se rapprocher indefiniment de la droite oblique

y = ax + b qui est lequation de lasymptote oblique de f . Dans les cas où
h
i
h
i
lim f (x) ax = b
ou
lim f (x) ax = b+
(1.10)
x
on peut encore preciser si f approche lasymptote oblique par le dessous ou par le dessus.
E XEMPLE 1.2 Esquissons le graphe de la fonction
f (x) =
x2 x 6
x+1
Cette fonction est definie pour tout x reel a` lexception de x = 1. En ce point, on a

lim f (x) = +
x1
et
lim f (x) =
x1+
Le graphe de f comporte donc une asymptote verticale en x = 1.

` linfini, on obtient
A
lim f (x) =
Si on calcule les limites

lim
et
lim f (x) = +
x+
f (x)
f (x)
= 1 = lim
x+
x
x
et
lim ( f (x) x) = 2 = lim ( f (x) x)
x+
on en deduit la presence dune asymptote oblique y = x2 aussi bien en quen +. Ce resultat

peut aussi e tre obtenu directement en ree crivant la fonction sous la forme
f (x) =
x2 x 6
4
= x2
x+1
x+1
où le dernier terme tend vers zero lorsque x tend vers . Dès lors, pour de grandes valeurs de |x|,
4/(x + 1) devient negligeable vis a` vis de x 2 et f (x) se rapproche indefiniment de lasymptote
oblique. Lorsque x est grand et positif, le terme 4/(x + 1) est petit et positif de sorte que f (x)
approche lasymptote par defaut. Pour x negatif, cest linverse qui se produit et f (x) est alors
legèrement superieure a` x 2.
Si on ajoute a` ces resultats que f (x) sannule en x = 2 et x = 3, une esquisse du graphique

de f (x) est donne par
y=
x2 x 6
x+1
y = x2
2
3
x = 1
F IG . 1.2
Lorsquune fonction possède une asymptote en x +, lecart entre le graphique

de la fonction et celui de son asymptote peut e tre rendu arbitrairement petit a` condition
de prendre x suffisamment grand. Plus generalement, on peut comparer le comportement
dune fonction f a` celui dune autre fonction g (dont la forme analytique est en general
plus simple ou mieux connue que celle de f ). Ainsi, une fonction f est dite asymptotique
ou e quivalente a` g au voisinage de x0 , ce que lon note f (x) g(x), (x x0 ) lorsque
lim
xx0
f (x)
=1
g(x)
(1.11)
La relation dequivalence est symetrique :

f (x) g(x)
g(x) f (x)
(1.12)
Si une fonction f possède une limite finie a 6= 0 en un point x0 de son domaine

de definition, elle est asymptotique a` la fonction constante g(x) = a. De meme, si elle
5
presente une asymptote oblique y = ax + b ou une asymptote horizontale y = a, avec

a 6= 0, elle est asymptotique a` cette asymptote.
La notion de fonction asymptotique permet cependant daller au-delà des notions de
limite et dasymptote en precisant, par exemple, la facon dont les valeurs dune fonction
tendent vers zero ou vers linfini.
E XEMPLE 1.3 Reprenons lexemple de la fonction de limitation Michaelis-Menten
([N]) = max
[N]
[N] +
Nous avons vu que

lim ([N]) = max
[N]
De facon alternative, on peut e galement decrire le comportement de pour les grandes

concentrations de nutriments en disant que ([N]) est asymptotique a` max pour [N] + (ou,
mieux encore, pour [N]/ +) :
([N]) max ,
[N] +
Dautre part, le resultat

lim ([N]) = 0
[N]0
est relativement peu precis au sujet du comportement de pour les faibles concentrations : le
taux de croissance peut en effet tendre vers zero plus ou moins rapidement. Il est beaucoup plus
instructif de remarquer que
lim
[N]0
([N])
1
max
= lim max
=
[N]
+ [N]
[N]0
ce qui permet decrire

[N]
,
[N] 0
Cette dernière expression permet en effet de remplacer la dependance reelle de en [N] par une
fonction lineaire dans un voisinage de zero.
([N]) max
E XEMPLE 1.4 La fonction de lexemple 1.2,

f (x) =
x2 x 6
x+1
possède des limites infinies a` gauche et a` droite de x = 1. La notion de fonction asymptotique

permet de preciser ce comportement. Isolant la partie singulière de f au voisinage de x = 1, on a
f (x)
4
,
x+1
(x 1)
En effet,
f (x)
x2 x 6
= lim
=1
(4)
x1
x1
(4)
x+1
De meme, le comportement a` linfini peut e tre decrit par
lim
f (x) x 2,
E XEMPLE 1.5 La vitesse de propagation (vitesse de phase) des ondes de longueur donde L dans
un basin de profondeur D est donnee par1
r
gL 2D
c=
th
2
L
où g designe lacceleration de la pesanteur. Si la longueur donde L est fixee, c est donc une
fonction croissante de la profondeur.
Le calcul de la limite
r
r
gL 2D
gL
lim
th
=
D
2
L
2
montre que
r
gL
c
,
D
2
i.e. la vitesse des ondes en eaux profondes (les eaux peuvent e tre qualifiees de profondes si
2D/L 1) est independante de la profondeur.
Pour des faibles profondeurs, le calcul de la limite
r
gL 2D
th
=0
lim
D0
2
L
est de peu dutilite : les ondes ne peuvent se propager si la profondeur est nulle. Tenant compte
de2
th x x,
x0
on obtient
c=
1
gL 2D
th
2
L
gL 2D p
= gD,
2 L
D0
Rappelons les definitions des fonctions hyperboliques

sh x =
2 On
limite
ex ex
,
2
ch x =
ex + ex
,
2
th x =
sh x
ch x
(1.13)
peut verifier cette propriete en utilisant le theorème de lHospital pour lever lindetermination de la

th x
0
(th x)
1 + th2 x
=
= lim
= lim
=1
lim
x0 x
x0 (x)
x0
0
1
Là où la profondeur est faible par rapport a` la longueur donde, la vitesse des ondes est
proportionnelle a` la racine carree de la profondeur. Cette dependance peut e tre observee sur une
carte de propagation de la maree : la distance entre les lignes cotidales diminue avec la profondeur.
Elle est aussi responsable de lalignement des fronts de vagues avec les isobathes a` lapproche de
la cote.
En pratique, on considère generalement que les eaux profondes et peu profondes
correspondent respectivement a` D > L/2 et D < L/20.
Si on peut remplacer une expression compliquee f par une fonction simple g qui lui est
asymptotique, cest parce que lon considère que la difference entre ces deux fonctions
f et g est negligeable. Ce concept de difference negligeable peut e tre defini de facon
rigoureuse. Une fonction f est dite negligeable par rapport a` une fonction g au voisinage
de x0 (qui peut e tre infini), ce que lon note f (x) = o(g(x)), (x x0 ), lorsque
lim
xx0
f (x)
=0
g(x)
(1.14)
Avec cette definition,

f (x) g(x)
f (x) g(x) = o(g(x)),
si et seulement si
(x x0 )
(1.15)
E XEMPLE 1.6 Les puissances de x definissent une e chelle de mesure telle que
n Z, k N0 , xn = o(xn+k ), (x +)
En effet,
lim
xn
x+ xn+k
= lim
x+ xk
=0
Inversement,
n Z, k N0 , xn+k = o(xn ),
(x 0)
En effet,
xn+k
= lim xk = 0
x0 xn
x0
lim
Enfin, on dit quune fonction f est au plus de lordre de g dans un voisinage de x0 , ce

que lon note f (x) = O[g(x)], (x x0 ), lorsque la limite de f /g existe et est finie :
lim
xx0
f (x)
= M fini
g(x)
f (x) = O[g(x)], (x x0 )
En particulier, f = O(1), (x x0 ) signifie que f est bornee au voisinage de x0 .

8
(1.16)
Lexpression f (x) = O[g(x)] est une affirmation moins forte que f (x) g(x) ou
f (x) = o(g(x)). En effet, f (x) g(x) ou f (x) = o(g(x)) implique f (x) = O[g(x)]. La
reciproque est fausse.
Les notations o et O sont generalement utilisees pour exprimer lordre de grandeur
des termes negliges dans un developpement mathematique en precisant de la sorte le
comportement relatif de deux fonctions.
Les relations o, O et admettent les règles simples de manipulation :
f1 = O(g), f2 = O(g)
f1 + f2 = O(g) , C
(1.17)
f1 = O(g1 ), f2 = O(g2 )
f1 f2 = O(g1 g2 )
(1.18)
f1 = o(g), f2 = o(g)
f1 + f2 = o(g) , C
(1.19)
f1 = o(g1), f2 = o(g2 )
f1 f2 = o(g1 g2 )
(1.20)
f = o(h)
(1.21)
f 1 g1 , g1 g2
f 1 g2
(1.22)
f 1 g1 , f 2 g2
f 1 f 2 g1 g2
(1.23)
f g, 1/ f definie en x0
1/ f 1/g
(1.24)
f = o(g), g = O(h)
ou
f = O(g), g = o(h)
1.3 Derivee.
La derivee de la fonction dune variable reelle f au point x (appartenant au domaine
de definition de f ) est donnee par
f (x ) = lim
x0
f (x + x) f (x )
x
(1.25)
si cette limite existe et est finie. On peut aussi e crire

f (x ) =
df
f (x) f (x )
(x ) = (D f )(x ) = lim
xx
dx
x x
(1.26)
Dun point de vue geometrique, la derivee peut e tre interpretee comme la pente de
la tangente au graphe de la fonction f . En effet, si P designe le point du graphe de f
9
(Fig. 1.3) correspondant au point (x , f (x )) et si on considère un point Q voisin de P, les

coordonnees de celui-ci sont (x + x, f (x + x)) de sorte que laccroissement x donne
a` x produit un accroissement
f = f (x + x) f (x )
(1.27)
f (x + x)
f
f (x )
x + x
F IG . 1.3
Le quotient differentiel
f
f (x + x) f (x )
=
= tg
x
x
(1.28)
represente alors la pente de la droite joignant P et Q ou, si on prefère, le taux moyen de

variation de f entre les deux points. Lorsque Q se rapproche indefiniment de P, la droite
PQ tend vers la tangente a` la courbe en P et le quotient differentiel (1.28) tend vers la
pente tg de cette tangente.
Si la fonction f est derivable et si sa derivee f est elle-meme derivable, la derivee de
f se note
d2 f
(1.29)
f (x) = 2 (x) = D2 f (x)
dx
et est appelee la derivee seconde de f . Dune facon generale,
f (n) (x) =
dn f
(x) = Dn f (x)
dxn
(1.30)
represente la derivee dordre n de f (si cette expression a` un sens).

La derivee dune fonction nous renseigne sur la sensibilite de la grandeur mesuree
par cette fonction aux variations de la variable. Implicitement, cela revient a` interpreter la
derivee de f comme le coefficient de proportionnalite qui relie les variations des variables
10
independante x et dependante f , i.e. a` remplacer le graphe de f par celui de sa tangente

au point devaluation de la derivee. Ceci peut e tre explicite en e crivant,
f (x) = f (x ) + f (x )(x x ) + o(x x ),
x x
(1.31)
Cette relation signifie que lerreur commise en remplacant f par lapproximation lineaire
correspondant a` sa tangente en x decrot plus vite que x x lorsquon se rapproche de
x . Remplacer f par sa linearisation au voisinage de x est donc entache dune erreur
dautant plus petite que lon se trouve proche de x .
E XEMPLE 1.7 Considerons a` nouveau la loi de Michaelis-Menten
= max
[N]
+ [N]
et e tudions la sensibilite de aux variations de la concentration de nutriments N. On a

d
max
=
d[N] ([N] + )2
et donc
([N]) ([N] ) +
max
([N] [N] ) + o([N] [N]),
([N] + )2
([N] [N] )
Si [N] est grand, on constate que est pratiquement independant de [N], en accord avec
lasymptote horizontale identifiee precedemment. Pour [N] = 0, on retrouve
([N]) =
max
[N] + o([N])
E XEMPLE 1.8 Les thermistors (XBT) permettent de mesurer la temperature de leau en se basant
sur la variation de la resistance e lectrique R dune e lectrode avec la temperature T . On a, par
exemple,

1
1
R(T ) = R0 exp
T T0
où R0 designe la resistance a` la temperature T0 et est une constante. Les temperatures T et T0

sont exprimees en Kelvin.
La sensibilite de la resistance aux variations de T est donnee par

1
R0
1
R (T ) = 2 exp
T
T T0
où le signe negatif montre que la resistance diminue lorsque la temperature augmente.
Si on travaille a` une temperature T proche de T0 , on aura
R(T ) = R(T0 ) + R (T0 )(T T0 ) + o(T T0 )
11
soit
R(T )
= 1 2 (T T0 ) + o(T T0 ),
R0
T0
(T T0 )
La constante de proportionnalite /T02 est le coefficient thermique de la resistance.
E XEMPLE 1.9 Considerons les ondes se propageant a` la vitesse de phase

r
gL 2D
th
c=
2
L
et considerons cette expression comme une fonction de la profondeur uniquement.
En appliquant les règles usuelles de derivation3 , on a
v
g
dc u
1
=u
t
2D
2D
dD
2L th
ch2
L
L
En particulier, si D = L/20, alors
c(D) c(D ) + c (D )(D D )

r
g
c(D ) + 2.062
(D D)
L
En première approximation, toute
p augmentation de la profondeur de un mètre saccompagne dune
variation de la vitesse de 2.06 g/L.
E XEMPLE 1.10 Depuis 1666, lechelle pratique de salinite est definie par une mesure de
conductivite. On considère le ratio K15 de la conductivite e lectrique de lechantillon deau ramene
a` la temperature de 15C et a` la pression dune atmosphère et de la conductivite dune solution
de chlorure de potassium de fraction massique 32.4356 103 a` la meme temperature et a` la meme
pression. La salinite pratique est alors definie par (UNESCO, 1980)
1/2
3/2
5/2
2
S = 0.0080 0.1692K15 + 25.3851K15 + 14.0941K15 7.0261K15
+ 2.7081K15
Cette formule est valable dans le domaine de salinite pratique allant de 2 a` 42 (Rappelons que la
salinite pratique est sans unite).
Par definition, la salinite pratique est e gale a` 35 pour un rapport K15 unitaire.
Le graphe de S est represente a` la figure 1.4. On constate que la salinite pratique varie
quasiment lineairement avec K15 . Dès lors, si on travaille dans un domaine limite de salinite autour
3 Rappelons
que
d
sh x = ch x,
dx
d
ch x = sh x
dx
12
d
1
th x = 2 = 1 th2 x
dx
ch x
(1.32)
S
38
S
40
30
36
20
34
10
32
0.2
0.4
0.6
0.8
K15
1.2
0.9
0.95
1.05
K15
F IG . 1.4 Salinite pratique en fonction du rapport K15 . Loi reelle (trait continu en
rouge) et loi lineaire approchee (en pointille).
de S = 35, on peut e crire

S S(1) + S (1)(K15 1)
35.00 + 39.1597 (K15 1)

39.1597K15 4.1597
On verifie sur la figure 1.4 que cette loi lineaire constitue une très bonne approximation de la loi
reelle. Lerreur maximale sur la salinite est de 0.05615 si on se limite aux salinite comprises entre
30 et 38 !
Dans le cas dune fonction de plusieurs variables f (x1 , x2 , . . ., xk , . . . , xn ), on definit

la derivee partielle par rapport a` la variable xk comme la derivee de la fonction dune
variable obtenue en bloquant toutes les variables sauf xk . On e crira
f (x1 , x2 , . . . , xk , . . . , xn ) f (x1 , x2 , . . . , xk , . . . , xn )
f
(x , x , . . . , xk , . . . , xn ) = lim
xk 1 2
xk xk
xk xk
(1.33)
Cette derivee partielle peut encore e tre interpretee comme le taux de variation de la
grandeur f lorsquon fait varier xk et que lon bloque toutes les autres variables. Si f
est suffisamment regulière4 , on e crira
f (x1 , x2 , . . . , xn ) f (x1 , x2 , . . ., xk , . . . , xn ) =
n
xk (x1 , x2, . . . , xk , . . ., xn )(xk xk )
k=1
+ o(x1 x1 , . . . , xn xn ) (1.34)
4 En
verite, si f est differentiable au point considere.
13
qui generalise (1.31). Avec les notations matricielles
f

x1
x1
x2
f

f = x2
x = .. ,

.
f
xn
(1.35)
xn
où f est appele le gradient de f , on a, de facon compacte,
f (x) = f (x ) + f T (x )(x x) + o(kx xk)
(1.36)
(1.37)
où
kx x k =
(x xi )2
i=1
designe la norme de x x . De meme que la derivee f (x ) designe le taux de variation

de f lorsque x augmente, le gradient f (x ) decrit les taux de variations de f lorsque les
differentes variables composant x varient independamment.
E XEMPLE 1.11 La densite de leau de mer est donnee en kg/m3 par
=
0
1 p/K
où
0 = 999.842594 + 6.793952 102 t 9.095290 103 t 2 + 1.001685 104 t 3
1.120083 106 t 4 + 6.536336 109 t 5
+ (8.24493 101 4.0899 103 t + 7.6438 105 t 2 8.2467 107 t 3 + 5.3875 109 t 4 )S
+ (5.72466 103 + 1.0227 104 t 1.6546 106 t 2 )S3/2 + 4.8314 104 S2 (1.38)
et
K = 19652.21 + 148.4206t 2.327105t 2 + 1.360477 102 t 3 5.155288 105 t 4
+ S(54.6746 0.603459t + 1.09987 102 t 2 6.1670 105 t 3 )
S3/2 (7.944 102 + 1.6483 102 t 5.3009 104 t 2 )
+ p[3.239908 + 1.43713 103 t + 1.16082 104 t 2 5.77905 107 t 3

+ S(2.2838 103 1.0981 105 t 1.6078 106 t 2 )
+ S3/2 (1.91075 104 )]
+ p2 [8.50935 105 6.12293 106 t + 5.2787 108 t 2
+ S(9.9348 107 + 2.0816 108 t + 9.1697 1010 t 2 )] (1.39)
14
14
14
12
12
10
10
30
32
34
36
38
40
30
32
34
36
38
40
F IG . 1.5 Masse volumique reelle (à gauche) et approximation lineaire (à droite) en
fonction de la temperature (axe vertical) et de la salinite (axe horizontal). Isovaleurs de
1023 a` 1031 (du bleu au vert).
où la temperature t est exprimee en C et la pression p en bar.

Sauf si on travaille dans de grandes profondeurs, leffet de la pression est negligeable. Par
exemple, a` une temperature de 10C et une salinite de 35, la sensibilite a` la pression est donnee
par
(t = 10, S = 35, p = 0) = 0.04541 kg/m3 /bar

p
ce qui signifie quil faut augmenter la pression de 2.2 bars pour augmenter la densite de 0.1 kg/m3 .
Si on travaille a` une temperature proche de 10C et une salinite proche de 35, on peut lineariser
lexpression complexe de la densite selon
(t = 10, S = 35, p = 0)(t 10)

t
+ (t = 10, S = 35, p = 0)(S 35)

S
1026.95 0.17129(t 10) + 0.781093(S 35)
(t = 10, S = 35, p = 0) +
1001.324645 0.17129t + 0.781093S
On retrouve, comme attendu, que la densite est une fonction croissante de la salinite et decroissante
de la temperature.
Pour des temperatures allant de 5 a` 15C et des salinites variant entre 30 et 40, lerreur
maximale associee a` cette approximation lineaire est une erreur en excès de 0.1872 kg/m3 aux
extremites de lintervalle.
15
1.3.1 Approximation de Taylor.

Les approximations lineaires fournies par linearisation peuvent e tre ameliorees et
lerreur peut e tre quantifiee en utilisant la formule de Taylor.
Dans le cas dune fonction dune seule variable, celle-ci secrit de la facon suivante.
Si la fonction reelle f est n fois continument derivable sur un intervalle [a, x] (ou [x, a]) et
n + 1 fois derivable sur lintervalle ouvert correspondant ]a, x[ (ou ]x, a[), alors il existe au
moins un point ]a, x[ (ou ]x, a[) tel que
f (x) = f (a) +
(x a)
(x a)2
f (a) +
f (a) +
1!
2!
(x a)n+1 (n+1)
(x a)n (n)
+
f (a) +
f
() (1.40)
n!
(n + 1)!
Le cas particulier où a = 0 se rencontre très frequemment en pratique. La formule de

Taylor porte alors le nom de formule de MacLaurin.
x
x2
f (x) = f (0) + f (0) + f (0) +
1!
2!
xn
xn+1 (n+1)
f
(x)
+ f (n) (0) +
n!
(n + 1)!
( ]0, 1[) (1.41)
Remarquons que le developpement de MacLaurin dune fonction paire ne peut

comporter que des puissances paires de x tandis que celui dune fonction impaire ne
presente que des puissances impaires de x. Ceci provient du fait que la derivee dune
fonction paire est impaire et la derivee dune fonction impaire est paire. Or une fonction
impaire est necessairement nulle a` lorigine.
Lerreur commise en approchant la fonction reelle par son developpement limite
f (a) +
(x a)
(x a)2
(x a)n (n)
f (a) +
f (a) + +
f (a)
1!
2!
n!
(1.42)
est donne par

Rn (x) = (x a)n+1
f (n+1) ()
(n + 1)!
(1.43)
Au moyen dune majoration appropriee de f (n+1) , on peut alors fixer une borne derreur
et on a
(x a)
(x a)2
f (x) = f (a) +
f (a) +
f (a) +
1!
2!

(x a)n (n)
+
f (a) + O (x a)n+1 ,
n!
x a (1.44)
Si la fonction est suffisamment regulière, la precision du developpement limite

peut e tre amelioree en augmentant le nombre de termes. On peut utiliser ce resultat
16
pour approcher les fonctions transcendantes aussi precisement que necessaire par des
polynomes de degre de plus en plus e leve. Si la fonction f est indefiniment continument
derivable, il existe en general un domaine dans lequel la fonction est representee
exactement par une serie de puissances, i.e. un polynome de degre infini (Cf. tableau
1.1).
'
1
= 1 x + x2 x3 + + (1)k xk +
1+x
1
= 1 + x + x2 + x3 + + xk +
1x
( 1) 2 ( 1)( 2) 3
(1 + x) = 1 + x +
x +
x + +Ck xk +
2!
3!
xk+1
x2 x3 x4
+
ln(1 + x) = x + + + (1)k
2
3
4
k+1
x2 x3 x4
xk+1
ln(1 x) = x
+
2
3
4
k+1
1 1+x
x3 x5
x2k+1
ln
= x+ + ++
+
2 1x
3
5
2k + 1
xk
x2 x3
x
e = 1+x+ + ++ +
2! 3!
k!
2
3
x
x
xk
ex = 1 x + + + (1)k +
2! 3!
k!
2
4
6
2k
x
x
x
x
ch x = 1 + + + + +
+
2! 4! 6!
(2k)!
x3 x5 x7
x2k+1
+
sh x = x + + + + +
3! 5! 7!
(2k + 1)!
x2 x4 x6
x2k
cos x = 1 + + + (1)k
+
2! 4! 6!
(2k)!
x3 x5 x7
x2k+1
sin x = x + + + (1)k
+
3! 5! 7!
(2k + 1)!
1 < x < 1
1 < x < 1
1 < x < 1
1 < x 1
1 x < 1
1 < x < 1
x
x
x
x
x
x
&
TAB . 1.1
E XEMPLE 1.12 Considerons les fonctions f (x) = sin x et g(x) = cos x au voisinage de x = 0. Ces
17
fonctions sont indefiniment continument derivables sur R avec

f (n) (x) = sin x + n
et
g(n) (x) = cos x + n
2
2
de sorte que
(
0
f (n) (0) =
(1)k
(
(1)k
(n)
g (0) =
0
si n = 2k
si n = 2k + 1
si n = 2k
si n = 2k + 1
Les derivees successives de sin x et cos x sont bornees par 1 independamment de n de sorte que
sin x = x
x3 x5
x2n+1
+ = (1)n
3! 5!
(2n + 1)!
n=0
cos x = 1
x2 x4
x2n
+ = (1)n
2! 4!
(2n)!
n=0
En pratique, on peut tronquer ce developpement et nen utiliser que les quelques premiers
termes si on desire utiliser ces developpements limites au voisinage de x = 0. En effet, si on retient
seulement n + 1 termes
sin x = x
x3 x5
x2n+1
x2n+3 (2n+3)
+ + (1)n
+
f
(1 x)
3! 5!
(2n + 1)! (2n + 3)!
cos x = 1
x2n
x2n+2 (2n+2)
x2 x4
+ + (1)n
+
f
(2 x)
2! 4!
(2n)! (2n + 2)!
où 1 et 2 ]0, 1[, les erreurs sont bornees selon

2n+3

x

|x|2n+3
(2n+3)

(1 x)
(2n + 3)! f
(2n + 3)!
et
2n+2

x

|x|2n+2
(2n+2)

f
(
x)
2
(2n + 2)!
(2n + 2)!
Si on desire e valuer sin(/6) et cos(/6), par le developpement limite de MacLaurin, on

obtient
Nombre de termes
sin(/6)
Erreur maximale
cos(/6)
Erreur maximale
1
0.523599
2
0.499674
3
0.500002
4
0.5
0.024
0.00033
2.1 106
8.2 109
1.
0.862922
0.866054
0.866025
0.14
0.0031
0.000029
1.4 107
18
En pratique, on e crira souvent, avec un degre dapproximation dautant meilleur que x est
petit,
x2
sin x x
et
cos x 1
2
La validite de cette approximation dans une large gamme de valeurs de x est confirmee par
lexamen des graphe des fonctions trigonometriques et de leurs approximations (Fig. 1.6).
1
x
b
sin x
x2
2!
cos x
F IG . 1.6
Si x nest pas petit, on peut obtenir une precision superieure en ajoutant des termes
supplementaires au developpement ou en developpant la fonction en serie de Taylor autour dun
autre point.
` plusieurs dimensions, la formule de Taylor senonce de la facon suivante. Soit

A
un ouvert de Rn et f une fonction reelle C p (). Si le segment joignant les points x et
x + x est entièrement dans , alors il existe ]0, 1[ tel que
n
f (x + x) = f (x) + xi
i=1
f
(x)
xi
1
2 f
xi1 xi2
(x) +
2! i1 =1 i2 =1
xi1 xi2
n
1 n n
p f
.
.
.
x
x
.
.
.
x
(x + x)
ip
i1 i2
p! i1
xi1 xi2 . . . xi p
=1 i2 =1
i p =1
(1.45)
Lecriture de la formule de Taylor a` un ordre quelconque est particulièrement lourde.

Dans le cas p = 2, le formalisme matriciel permet cependant dalleger lecriture. Il vient
en effet en introduisant la matrice hessienne de f
2

f
H(x) =
(x)
(i, j = 1, . . ., n)
(1.46)
xi x j
19
1
f (x + x) = f (x) + xT f (x) + xT H(x + x)x
2
où x represente la matrice colonne

x1
x2

x = ..
.
xn
(1.47)
1.3.2 Differences finies.

Lorsquil sagit de traiter des donnees experimentales ou de traiter numeriquement
des problèmes, les fonctions decrivant les variables dependantes du problème ne sont pas
connues analytiquement et ne peuvent e tre derivees en utilisant les règles habituelles de
derivation. La derivee est alors approchee par un quotient differentiel, appele difference
finie, i.e.
f (x + x) f (x )
(1.48)
f (x )
x
qui peut e tre e value si les valeurs de f sont connues aux points x et x + x. Cette
procedure revient simplement a` ignorer la limite dans la definition (1.25) ou encore a`
remplacer la tangente par la corde dans le graphe de f (Fig. 1.3). Cette facon de proceder
est justifiee par la formule de Taylor. En effet, puisque
f (x + x) = f (x ) + f (x )x + O(x2 )
il vient
(1.49)
f (x + x) f (x )
+ O(x)
(1.50)
x
Lerreur commise en approchant la derivee par difference finie tend donc vers zero
lineairement avec laccroissement x. La precision est dautant plus grande que les
donnees utilisees pour e valuer la derivee sont proches lune de lautre.
Comme le montre (1.50), lerreur associee a` lapproximation (1.48) de la derivee est
du premier ordre en laccroissement. On peut ameliorer ce resultat en remarquant que
lapproximation (1.48) revient a` e valuer la derivee en x en explorant le comportement
de la fonction uniquement a` droite de x (si x est positif). On dit que la difference est
decentree. Lapproximation centree de la derivee secrit
f (x + x) f (x x)
f (x )
(1.51)
2x
On peut verifier que cette approximation est de meilleure qualite que la precedente en
appliquant la formule de Taylor aux deux termes du membre de droite (en supposant f
suffisamment regulière) :
1
1
f (x + x) = f (x ) + f (x )x + f (x )x2 + f (x )x3 + O(x4 )
(1.52)
2
6
1
1
f (x x) = f (x ) f (x )x + f (x )x2 f (x )x3 + O(x4 )
(1.53)
2
6
f (x ) =
20
Substituant ces expressions dans (1.51), il vient

f (x + x) f (x x)
= f (x ) + O(x2 )
2x
(1.54)
ce qui montre que lerreur est maintenant du second ordre en laccroissement x et tend
donc vers zero plus rapidement que dans le cas de lapproximation decentree.
Si on desire e valuer la derivee seconde dune grandeur definie aux noeuds dun reseau
regulier, on e crira encore, en utilisant (1.52)-(1.53),
f (x ) =
f (x + x) 2 f (x ) + f (x x)
+ O(x2 )
x2
(1.55)
Ces approximations des derivees sont utilisees pour remplacer les problèmes
differentiels continus par des problèmes discrets en vue de leur resolution numerique sur
ordinateur.
1.3.3 Derivee et modelisation.

Comme le montre sa definition, la derivee est utilisee pour e valuer la sensibilite
dune grandeur, dite dependante, aux variations dune ou plusieurs autres variables, dites
independantes.
Dans un grand nombre de cas, la variable dependante nest pas connue. Seule sa
sensibilite aux variables independantes (ou lexpression de cette sensibilite en fonction
des variables independantes) est connue. Dans ce cas, la prise en consideration de toutes
les sources possibles de variations de la variable dependante permet decrire une e quation
differentielle pour celle-ci. Les e quations de bilan, exprimant le taux de variation de la
masse dune substance en fonction des flux de celle-ci au travers des frontières du système
considere, constituent un cas particulier important.
E XEMPLE 1.13 Exprimons le bilan dazote dans le bassin occidental de la Mer Mediterranee.
Soit MN la masse totale dazote. On a
dMN
= FluxIn FluxOut
dt
où FluxIn et FluxOut representent respectivement le flux total entrant et sortant du basin considere
par unite de temps.
En considerant les principales sources dechange dazote entre le système considere et
lexterieur, on a
dMN
= FluxGibraltar + FluxSicile + FluxRivieres + FluxAtmosphere + FluxSediments
dt
où les differents termes du membre de droite expriment respectivement le taux dechange dazote
au travers des detroit de Gibraltar et de Sicile, les flux apportes par les rivières et latmosphère
21
ainsi que lechange avec les sediments. Selon la convention habituelle, tous ces flux sont positifs
sils contribuent a` un apport pour le système et negatifs dans le cas contraire.
Si tous les flux sont connus, levolution de la masse de nitrate peut e tre e valuee en resolvant
lequation differentielle ci-dessus.
E XEMPLE 1.14 Considerons lintensite lumineuse I(z) regnant dans la colonne deau a` une
profondeur z. La difference entre les intensites a` deux profondeurs z et z + dz differentes resulte
essentiellement de labsorbtion du rayonnement lumineux dans la couche deau separant ces
deux profondeurs. Si cette absorbtion ne depend que de lepaisseur de la couche deau et est
proportionnelle a` celle-ci, on a
I(z + dz) I(z) k I(z) dz
avec un degre dapproximation dautant meilleur que lepaisseur dz est faible. (Remarquez le signe
` la limite, il vient
negatif indiquant que lintensite lumineuse decrot avec la profondeur). A
lim
dz0
I(z + dz) I(z) dI

=
= kI(z)
dz
dz
On verifie aisement que cette loi correspond a` la loi habituelle

I(z) = I(0) ekz
de reduction exponentielle de la lumière avec la profondeur.
1.4 Derivee dune

materielle.
fonction
composee
et
derivee
La règle de derivation des fonctions composees senonce comme suit.

'
Rn
Si les fonctions reelles f1 , f2 , . . . , f p sont derivables sur un ouvert de

et si la fonction F est continument derivable sur un ouvert de R p tel que
[ f1 (x), f2(x), . . ., f p (x)] pour tout x , alors pour k = 1, 2, . . ., n, la
fonction
g(x) = F[ f1 (x), f2 (x), . . ., f p (x)]
est derivable par rapport a` xk et on a

g
(x) =
xk
fj
X j [ f1 (x), f2(x), . . ., f p(x)] xk (x)
(1.56)
j=1
&
La difficulte principale pour appliquer la règle de derivation des fonctions composees

reside dans la comprehension de la signification des differents symboles de derivation et
22
lidentification des variables independantes du problème. En particulier, lexpression

F
[ f1 (x), f2(x), . . ., f p (x)]
X j
represente la derivee partielle de la fonction F par rapport a` sa j-ème variable e valuee au
point [ f1 (x), f2 (x), . . ., f p (x)] . Par contre, lexpression
g
(x) =
F[ f1 (x), f2 (x), . . ., f p (x)]
xk
xk
represente la derivee partielle de la fonction composee g par rapport a` sa k-ème variable et
e valuee au point x . Bien que lecriture des derivees partielles fasse apparatre le nom
dune variable (X j ou xk dans ce qui precède), cest davantage le numero de la derivee
partielle et le domaine de definition de la fonction composee qui importent.
E XEMPLE 1.15 Si on neglige linfluence de la pression, la masse par unite de volume de leau de
mer varie avec la temperature T et la salinite S selon un loi du type
= (T, S)
Connaissant les variations de T et de S avec la coordonnee verticale z, on peut calculer le taux de
variation correspondant de la densite en considerant
= (T (x, y, z,t), S(x, y, z,t))
et
T S
=
+
z
T z S z
où les derivees spatiales de T et S sont calculees au point et a` linstant consideres (x, y, z,t) et où
les derivees partielle de par rapport a` T et S sont e valuees pour les valeurs de la temperature et
de la salinite effectivement mesurees.
La formule (1.56) doit e tre adaptee selon les differents cas particuliers rencontres.
Ainsi, les derivees partielles qui apparaissent dans cette expression seront remplacees par
des derivees habituelles lorsquelles sappliquent a` des fonctions dune seule variable.
La règle de derivation des fonctions composees permet aussi dintroduire la derivee
totale dune fonction F de plusieurs variables comme la derivee de la fonction dune
variable reelle t obtenue en explicitant toutes les dependances des differentes variables de
23
F par rapport a` cette variable. Ainsi, on e crira

d
F( f1 (t),. . . , f p (t),t)
dt
F( f1 (t + t), . . ., f p (t + t),t + t) F( f1 (t), . . ., f p (t),t)
t0
t
= lim
p
d fj
X j ( f1 (t), . . ., f p(t),t) dt (t) + t ( f1(t), . . ., f p(t),t)
(1.57)
j=1
` chaque instant t, les coordonnees

E XEMPLE 1.16 Soit un sous-marin se deplacant dans locean. A
du sous-marin sont donnees par le triplet (x(t), y(t), z(t)). Si la distribution de la temperature est
donnee, dans le meme système de coordonnees, par la loi T = T (x, y, z,t), alors le thermomètre
embarque a` bord du sous-marin indiquera une temperature Ts telle que
Ts (t) = T (x(t), y(t), z(t),t)
Le taux de variation temporelle de la temperature a` bord du sous-marin est donc donne par
dTs T dx T dy T dz T
=
+
+
+
dt
x dt
y dt
z dt
t
où les derivees partielles de T doivent e tre e valuees au point (x(t), y(t), z(t),t).
Si on note u, v et w les trois composantes de la vitesse du sous-marin, alors
dx
= u,
dt
et
dy
= v,
dt
dz
=w
dt

dTs
T
T
T
T
T
= u
+v
+w
+
6=
dt
x
y
z
t
t
Les variations de temperature proviennent donc du mouvement du sous-marin se deplacant

dans un milieu de temperature inhomogène et des variations temporelles locales de temperature
de leau.
1.4.1 Gradient et derivee directionnelle.

La connaissance des derivees partielles dordre un dune fonction differentiable suffit
a` determiner complètement le taux de variation de la fonction dans nimporte quelle
direction. En effet, si on desire e valuer le taux de variation de f dans la direction reperee
par le vecteur de composantes (cos , sin ), on forme le quotient differentiel
f (x + cos , y + sin ) f (x, y)
f
f
o(||)
= cos (x, y) + sin (x, y) +
x
y
24
en tenant compte de la differentiabilite de f . Il vient alors

f (x + cos , y + sin ) f (x, y) f
f
lim
= (x, y) cos + (x, y) sin
(1.58)
0
x
y
qui represente le taux de variation de f dans la direction choisie. Celui-ci est donc obtenu
par combinaison lineaire des derivees partielles de f . En prenant = 0 et = /2, on
retrouve bien linterpretation des derivees partielles de f comme taux de variation de f
dans les directions parallèles aux axes.
On peut generaliser ce resultat dans Rn en adoptant un formalisme vectoriel. Ainsi,
on definit le vecteur f (ou grad f ), dit gradient de f , comme le vecteur de composantes

f
f
f
(x),
(x), . . .,
(x)
(1.59)
x1
x2
xn
Le symbole , appele nabla, constitue un operateur differentiel vectoriel qui secrit
n
= ei
i=1
xi
(1.60)
dans un système de reference orthonorme. Lapplication de loperateur a` une fonction

f donne le gradient de cette fonction.
'
Si e = l1 e1 + + ln en designe un vecteur unitaire, cest-à-dire tel que

q
kek = l12 + + ln2 = 1
et si f est differentiable en x, alors
f (x1 + l1 , x2 + l2 , . . ., xn + ln ) f (x1 , x2 , . . ., xn )
0+
= ef
(1.61)
De f (x) = lim
&
est appelee la derivee directionnelle de f dans la direction du vecteur e.
E XEMPLE 1.17 La derivee totale introduite dans lexemple 1.16 peut secrire sous la forme
dT
T
= v T +
dt
t
` partir de la definition du vecteur gradient, on en deduit que

A
Le taux de variation dune fonction f est maximum dans la direction du vecteur
f.
Le taux de variation de f est minimum dans la direction de f .
Le taux de variation de f est nul dans toute direction perpendiculaire a` f .
25
1.5 Primitivation et integration.

Lintroduction de lintegrale est souvent motivee par le desir de calculer laire situee
sous une courbe y = f (x) dans un intervalle [a, b] (Fig. 1.7).
y = f (x)
x
a = 0
i1
xi
i
b = n
F IG . 1.7
Divisons cet intervalle en n sous-intervalles en introduisant les points intermediaires

i tels que a = 0 < 1 < 2 < . . . < n1 < n = b et formons la somme
n
Sn = f (xi )(i i1 )
(1.62)
i=1
où xi est un point arbitraire dans lintervalle [i1 , i ]. Geometriquement, cette somme
represente laire cumulee de tous les rectangles de la figure 1.7. Si on augmente
indefiniment le nombre de points de la subdivision en faisant tendre n vers linfini de
telle facon que = maxi (i i1 ) tende vers zero, Sn peut avoir ou non une limite
unique finie (independante du choix de la subdivision et des points devaluation de la
fonction). Si cette limite existe, on la note
Z b
a
f (x)dx =
lim
f (xi)(i i1 )
(1.63)
n+,0 i=1
qui sappelle lintegrale definie (ou plus simplement lintegrale) de f (x) entre a et b. On
dit alors que la fonction f est integrable au sens de Riemann dans [a,b]. On dit aussi que
f (x) est lintegrand, que [a, b] est le domaine dintegration et que a et b sont les limites
ou bornes dintegration.
Notons que linterpretation geometrique de lintegrale definie par (1.63) comme
surface situee entre le graphe de f et laxe des x nest exacte que si la fonction est
partout positive. Si f (x) prend des valeurs positives et negatives, lintegrale represente la
somme algebrique des aires au-dessus et en-dessous de laxe des x en considerant comme
positives les aires au-dessus de laxe et negatives celles en-dessous de laxe des x.
26
Remarquons encore que, lorsque lon desire calculer numeriquement la valeur

approchee dune integrale, on renverse generalement la definition (1.63) et on approche la
valeur de lintegrale par une somme finie de termes semblables a` ceux apparaissant dans
cette expression.
Il va de soi que la definition (1.63) peut e tre appliquee sans rapport apparent avec
la recherche de laire definie par le graphe de f . Toute quantite qui peut e tre exprimee
sous la forme de la limite dune somme comme (1.63) peut e tre representee par une
integrale. Ceci correspond a` lapproche, très repandue dans les differents domaines de
mathematiques appliquees, consistant a` decomposer un processus ou un milieu materiel
en un très grand nombre delements de tailles très petites et a` definir la resultante comme
e tant la somme sur tous ces petits e lements. Si la taille des e lements tend vers zero, on dit
quils sont infinitesimaux et la somme devient une integrale. Cependant, la quantite ainsi
definie (si elle est reelle) pourra aussi e tre interpretee geometriquement comme laire sous
un graphe.
E XEMPLE 1.18 On note T Prod(t), le taux de production primaire en fonction du temps t. La
production primaire totale au cours dune periode allant de t1 a` t2 est donnee par lintegrale
Z t2
T Prod(t)dt
t1
E XEMPLE 1.19 Selon la theorie de la profondeur critique introduite par Sverdrup, un bloom
phytoplanctonique se produit lorsque la profondeur de la couche de melange est inferieure a` la
profondeur critique au-dessus de laquelle la production nette est positive.
Le taux de croissance du phytoplancton, i.e. le taux daugmentation de la masse du
compartiment phytoplanctonique, est donne par
1 dP
= Taux brut de photosynthèse Taux de respiration
P dt
Dans cette expression, le taux de respiration (dans lequel Sverdrup incorpore e galement le
broutage par les niveaux trophiques superieurs) peut e tre considere comme a` peu près independant
de la profondeur. Le taux de photosynthèse depend par contre de lintensite lumineuse et est donc
une fonction decroissante de la profondeur. Si on suppose le taux de photosynthèse proportionnel
a` lintensite lumineuse, celui-ci decrot exponentiellement.
La profondeur de compensation est le niveau vertical pour lequel les taux bruts de
photosynthèse et de respiration sont e gaux. Au-dessus de ce niveau, on assiste a` une croissance
des niveaux phytoplanctoniques. En-dessous, par contre, la respiration depasse la photosynthèse.
Si le melange vertical est actif, cependant, la production nette dans la couche de melange est
donnee par lintegrale sur cette couche. La profondeur critique Zc est donc definie par la relation
Z Zc
Z Zc

1 dP
dz =
Taux brut de photosynthèse Taux de respiration dz = 0
0 P dt
0
Sur la couche ainsi definie, la photosynthèse totale est exactement compensee par la respiration.
27
F IG . 1.8
Si on suppose le taux brut de production par photosynthèse strictement proportionnel a`
lintensite lumineuse et que celle-ci decrot exponentiellement selon la loi de Beer
I(z) = I0 ekz
où k designe le coefficient dextinction lumineuse, la profondeur critique Zc peut e tre explicitee de
la facon suivante. On a
Z Zc

I0 ekz r dz = 0
0
où r designe le taux de respiration (constant) et est le taux de photosynthèse specifique.

En e valuant lintegrale, la profondeur critique Zc apparat comme la solution de lequation
transcendante
1
I0 (1 ekZc ) = rZc
k
Une solution approchee peut e tre obtenue en supposant kZc 1 justifiant lapproximation
1
ekZc 1 kZc + k2 Zc2
2
Il vient alors
I0 (2 kZc ) = 2r
soit

2
r
Zc
1
k
I0
(Remarquons que lhypothèse kZc 1 est verifiee si I0 est proche de r.) Comme attendu, la
profondeur critique decrot avec r et augmente avec I0 .
28
1.5.1 Moyenne et moyenne glissante.

La moyenne dune grandeur est e galement definie par une integrale. Ainsi, la moyenne
de f (t) sur lintervalle [0, T ], notee < f > ou f est donnee par
1
T
Z T
f (t)dt
(1.64)
Cette expression est une generalisation e vidente de la definition classique de la moyenne

x =
1 n
xi
n i=1
(1.65)
dun ensemble {x1 , x2 , . . . , xn } de donnees discrètes. En effet, en presence dune fonction

f continue, la definition (1.63) de lintegrale revient a` remplacer la distribution continue
par une distribution discrète materialisee par chacun des petits rectangles de la figure
1.7. Dans le cas dune partition de lintervalle [0, T ] en sous-intervalles de meme largeur
x = i i1 , on a
1
T
Z T
0
f (t)dt =
1 n
1 n
f
(x
)x
=
lim
i
f (xi)
n+ n
n+,x0 nx i=1
i=1
lim
en tenant compte de nx = T .
E XEMPLE 1.20 La distribution des caracteristiques dune population est souvent decrite par une
fonction de distribution. Ainsi, la distribution des a ges peut e tre decrite par une fonction f (a) telle
que
Z
a2
f (t)dt
a1
donne le nombre dindividus dont lage est compris dans lintervalle [a1 , a2 ]. Si a1 et a2 sont très
proches lun de lautre, on peut e galement exprimer cette propriete en disant que f (a)da represente
le nombre dindividus dont les a ges sont compris entre a et a + da (où da est suppose très petit).
La population totale est donnee par
N=
Z amax
f (a)da
où amax designe lage maximum (ou toute valeur au-delà de laquelle f (a) sannule identiquement).
Lage moyen de la population est donne par
a =
1
N
Z amax
0
Z amax
f (a)ada = Z0 amax
f (a)ada
f (a)da
29
Le calcul de la moyenne est une operation lineaire, i.e. quelles que soient les
constantes , et les fonctions f et g, on a
< f (t) + g(t) >= < f (t) > + < g(t) >
(1.66)
< f (g(x)) >6= f (< g(x) >)
(1.67)
Par contre,
sauf si f est elle-meme une fonction lineaire. Ainsi, leffet moyen dun forcage agissant
sur un système non lineaire nest pas e gal a` leffet du forcage moyen sur ce meme système.
E XEMPLE 1.21 Le taux de photosynthèse (par unite de biomasse phytoplanctonique) varie
avec lintensite lumineuse I. Si on ignore le phenomène de photoinhibition, la relation I
est caracterisee par une croissance quasi-lineaire de pour les faibles intensites lumineuses et
lexistence dun palier max aux fortes intensites. Cette relation peut donc e tre decrite par une loi
semblable a` celle de Michaelis-Menten (en general, on lui prefère cependant une loi en tangente
hyperbolique ou une combinaison dexponentielles ; la forme retenue ici presente lavantage de
permettre un raisonnement analytique pour illustrer notre propos.)
(I) = max
I
+I
Considerons une cellule phytoplanctonique qui, en raison du melange vertical, passe un temps e gal
a` toutes les profondeurs de la couche de melange depaisseur H. Le taux de croissance moyen est
donne par
Z
1 H
I(z)
max
dz
< >=
H 0
+ I(z)
où I(z) = I0 exp(kz) designe lintensite lumineuse a` la profondeur z. On calcule aisement
1 H
I0 ekz
max
dz
H 0
+ I0 ekz
iH
max h
=
ln( + I0 ekz )
kH
0
max
+ I0
=
ln
kH
+ I0 ekH
<>=
Dautre part, lintensite lumineuse moyenne sur la couche deau consideree est donnee par
1
< I(z) >=
H
Z H
0
et
(< I(z) >) =
On constate donc que
I(z)dz =
I0
(1 ekH )
kH
max I0 (1 ekH )

kH + I0 (1 ekH )
< (I(z)) >6= (< I(z) >)
30
i.e. la croissance sous une lumière moyenne nest pas e gale a` la croissance moyenne sous un
e clairement variable.
Remarquons que cest la non-linearite de la relation I qui est a` lorigine de cette difference.
Si cette relation e tait lineaire, i.e. du type
(I) = max
on aurait simplement
< (I(z)) >= (< I(z) >) =
max I0 (1 ekH )
kH
ce qui peut sobtenir a` partir des resultats precedents en considerant le comportement asymptotique
des differentes expressions pour I0 / 0 (ce qui revient a` considerer que la lumière est toujours
insuffisante pour induire un effet de saturation).
La definition (1.64) de la moyenne peut e galement e tre utilisee pour calculer une
moyenne glissante permettant le filtrage rapide des oscillations presentes dans une serie
temporelle. Il suffit pour ce faire de remplacer la serie de depart f (t) par
1
< f (t) >=
T
Z t+T /2
tT /2
f (u)du
(1.68)
Leffet de ce filtre est de diminuer fortement les oscillations de periode bien inferieure
a` T et de laisser pratiquement inchanges les signaux de periode superieure a` T . En
effet, considerons simplement le signal periodique (selon la theorie de Fourier, un signal
periodique peut e tre decompose en une serie de signaux harmoniques dont les pulsations
sont des multiples de la pulsation du signal initial)
f (t) = A sin
2t
(1.69)
Il vient
< f (t) >=
A h
2t it+T /2 A
T
2t
T
cos
=
sin
sin
=
sin
f (t)
2T
tT /2 T
(1.70)
En appliquant un tel filtre, on peut ainsi debarrasser (grossièrement) un signal du

bruit a` haute-frequence pour se concentrer sur les signaux de plus basse frequence. Pour
que cette operation ait un sens, cependant, il convient de choisir un temps T permettant
un partage clair des signaux de hautes et basses frequences. Le temps T doit donc e tre
strictement compris entre deux temps caracteristiques du système e tudie.
31
<f>
f
0
1
T /
F IG . 1.9 Influence du filtrage en fonction du rapport des periodes du filtre et du signal

initial.
E XEMPLE 1.22 Considerons un signal saisonnier (les variations de la temperature par exemple)
auquel se superpose des oscillations de hautes frequences correspondant aux variations
journalières (T=1 jour) et aux perturbations induites par lalternance des depressions des
anticyclones Atlantiques (T 8 jours). La figure 1.22 montre le signal brut tel quil est enregistre
par les capteurs.
Temp
14
12
10
8
6
4
2
50
100
150
200
250
300
350
jour
-2
F IG . 1.10 Signal brut.
Les moyennes glissantes avec un temps caracteristique de 3 jours et de 10 jours ne permettent

pas disoler le signal saisonnier et ne permettent pas non plus deliminer correctement linfluence
des depressions et anticyclones.
32
Temp
14
Temp
14
12
12
10
10
4
2
2
50
100
150
200
250
300
350
jour
-2
50
100
150
200
250
300
350
jour
-2
F IG . 1.11 Moyenne glissante avec T=3 jours (à gauche) et T=10 jours (à droite).
Une moyenne glissante calculee sur une periode de 40 jours permet par contre deliminer les
oscillations non desirees sans affecter exagerement le signal saisonnier.
Temp
14
12
10
8
6
4
2
50
100
150
200
250
300
350
jour
-2
F IG . 1.12 Moyenne glissante avec T=40 jours.
1.5.2 Primitive.
On appelle primitive dune fonction continue f sur I, toute fonction F continument
derivable telle que
F (x) = f (x)
x I
(1.71)
On montre que toutes les primitives de f ne diffèrent que par une constante additive et
sont donnees par
Z
x
F(x) =
x0
f (t)dt + F(x0 )
33
(1.72)
où x0 I. Ceci relie la notion de primitive a` celle dintegrale ; la connaissance dune

primitive quelconque F de f permet le calcul des integrales de f par variation de F, i.e.
Z b
a
h
ib
f (x)dx = F[x] = F(b) F(a)
(1.73)
Daprès la definition (1.71), la primitivation apparat comme loperation inverse de la

derivation. Pour toute fonction continue f , on a en effet,
d
dx
Z x
f (t)dt = f (x)
(1.74)
x0
Plus generalement, on montre (sous certaines conditions de regularite de a(x), b(x) et

f (t, x),
d
dx
Z b(x)
a(x)
f (t, x)dt = f (a(x), x) a (x) f (b(x), x) b (x) +
34
Z b(x)
f
a(x)
(t, x)dt
(1.75)
Chapitre 2
Analyse dimensionnelle.
2.1 Dimensions.
Lorsque lon construit un modèle dun système quelconque, on caracterise celui-ci au
moyen dun certain nombre de grandeurs qui decrivent differents aspects de ce système :
temperature, salinite, concentration en e lements nutritifs, e clairement. . .
Dès lors que lon desire combiner ces grandeurs dans une meme e quation, il
convient detre attentif aux unites dans lesquelles ces grandeurs sont exprimees. Plus
fondamentalement encore, il est necessaire de percevoir la nature des grandeurs utilisees :
longueur, temps, masse,. . . Cette nature transparat au travers des unites utilisees.
Differentes unites peuvent cependant e tre utilisees pour mesurer un meme type de
grandeurs. Ainsi, le mètre, le pouce ou lAngstrom sont des unites de mesure des
longueurs.
Il apparat que toutes les grandeurs utilisees en physique, en chimie, en
e cologie,. . . font intervenir sept grandeurs fondamentales : la masse, la longueur, le temps,
la temperature, le courant e lectrique, la quantite de matière et lintensite lumineuse. Le
tableau 2.1 presente les unites de base1 correspondantes dans le Système International
dUnites (SI). Les trois grandeurs fondamentales M, L et T sont suffisantes pour decrire
la mecanique Newtonienne. La temperature 2 , la quantite de matière N et lintensite
lumineuse doivent e tre prises en compte en e cologie.
Toutes les grandeurs qui napparaissent pas dans le tableau 2.1 sont appelees des
grandeurs derivees. Les dimensions dune variable X quelconque sont les produits des
puissances des dimensions des grandeurs fondamentales composant cette variable. Ainsi,
puisquune surface sexprime comme le produit de deux longueurs, les dimensions dune
surface sont L2 . De meme, une vitesse a les dimensions LT1 puisquelle exprime lespace
parcouru par unite de temps.
Plus precisement, les dimensions [X ] dune variable X sont caracterisees entièrement
1 En
plus des unites de base, on introduit e galement les unites supplementaires que sont le radian (rad)
et le steradian (sr) qui mesurent les angles plans et solides.
2 Remarquons que la temp
erature est generalement mesuree en degres Celsius (C) dans la plupart des
e tudes environnementales.
35
Grandeur fondamentales Dimension Unite de base

masse
M
kilogramme
longueur
L
mètre
temps
T
seconde
courant e lectrique
I
ampère
temperature
kelvin
quantite de matière
N
mole
intensite lumineuse
J
candela
Symbole des unites

kg
m
s
A
K
mol
cd
TAB . 2.1 Grandeurs fondamentales et unites de base associees dans le Système

International.
par la donnee des exposants caracteristiques , , , , , , tels que

[X ] = M L T I N J
(2.1)
Ces exposants caracteristiques determinent la facon dont la mesure dune grandeur est
affectee par un changement dunites. Ainsi, si on passe du Système International au
système CGS utilisant le centimètre comme unite de base pour la mesure des longueurs,
la valeur numerique des longueurs est multipliee par 100 tandis que celle des surfaces
(dimensions L2 ) est multipliee par 1002 soit 10 000.
Lorsque tous les exposants caracteristiques dune grandeur sont e gaux a` zero, cette
grandeur est dite adimensionnelle. Il en est ainsi des angles3 , de la densite relative et de
tout autre rapport de grandeurs de dimensions identiques. Les grandeurs adimensionnelles
ne sont pas affectees par un changement de système dunites. Tous les arguments des
fonctions transcendantes (sin, cos, exp, log, . . . ) ainsi que les exposants sont toujours
adimensionnels. Les nombres purs (2, 7, , e, . . .) sont e galement adimensionnels.
2.2 Homogeneite
dimensions.
dimensionnelle
et
e quation
aux
La multiplication (resp. la division) de grandeurs de dimensions differentes permet de

definir de nouvelles grandeurs, avec des dimensions nouvelles qui sont le produit (resp. le
quotient) des dimensions des grandeurs initiales.
E XEMPLE 2.1 Les dimensions du travail mecanique, produit de la force et du deplacement, sont
obtenues en multipliant les dimensions dune force, MLT2 , par celle dun deplacement, L. Le
3 Un
angle plan est le rapport de la longueur de larc intercepte par langle et du rayon du cercle portant
cet arc. Un angle est donc adimensionnel mais pas sans unites. Selon le SI, sa mesure sexprime en radians.
36
travail, comme lenergie possède donc les dimensions ML2 T2 . Le flux de chaleur, cest-à-dire le
flux denergie thermique secoulant par unite de surface et par unite de temps a les dimensions
ML2 T 2
= MT 3
L2 T
(2.2)
Du point de vue des dimensions, lintegration et la derivation par rapport a` une

variable sassimilent a` la multiplication et a` la division.
E XEMPLE 2.2 Si v(t) designe la vitesse dun point materiel en fonction du temps, on a
Z t

v()d = [v][t] = LT1 T = L
(2.3)
t0
et

d
[v] LT1
v(t) =
=
= LT2
dt
[t]
T
(2.4)
Laddition, la soustraction et legalite ne sont par contre possibles quentre des

grandeurs possedant les memes dimensions. Si
a+b+c+ = g+h+
(2.5)
alors, les variables a, b, c,. . . , g, h, . . . doivent toutes avoir les memes dimensions.
Cest le principe de lhomogeneite dimensionnelle. Interpretant les dimensions comme la
sensibilite au changement de système dunites, on peut assimiler (et justifier) ce principe
a` lexpression de lindependance des lois naturelles par rapport au système dunites utilise
pour decrire le système.
Pour construire des e quations bien formees, il faut veiller a` respecter le principe
dhomogeneite dimensionnelle. Inversement, les dimensions dune grandeur quelconque
X peuvent souvent e tre obtenues en exprimant legalite des dimensions des deux membres
dune e quation dans laquelle cette grandeur intervient et en resolvant lequation obtenue
par rapport a` [X ]. Une telle e quations est appelee une e quation aux dimensions.
E XEMPLE 2.3 Si on decrit la croissance dun animal par une loi
dW
= RT
dt
(2.6)
où W designe la masse de lanimal, R lapport alimentaire et T la consommation par son

metabolisme, les deux termes du membre de droite devront avoir les memes dimensions que le
membre de gauche, soit MT1 .
37
E XEMPLE 2.4 Determinons les dimensions du coefficient de diffusion de la chaleur defini

comme loppose du coefficient de proportionnalite entre le gradient de la temperature et le flux
de chaleur J,
J = T
(2.7)
En considerant les dimensions des deux membres de cette e quation, on a
[J] = [][T ]
soit
MT 3 = []L1
(2.8)
et donc
[] = ML1 T 3
(2.9)
2.3 Theorème Pi.

Lanalyse des dimensions des paramètres intervenant dans un problème permet
de degager des conclusions rapides concernant linfluence des differents paramètres.
En effet, le comportement dun système ne peut dependre de la valeur dun
paramètre dimensionnel ; un changement dunites induirait alors une modification du
comportement de ce système. Pour garantir lindependance par rapport au système
dunites, les caracteristiques dun système ne peuvent dependre que de combinaisons
adimensionnelles des paramètres. Cest lessence du theorème Pi ou theorème de VashiBuckingham :
Toute e quation homogène du point de vue des dimensions peut e tre
transformee en une relation entre les membres dune famille complète de
produits adimensionnels. Si le nombre de paramètres dimensionnels de
lequation initiale est n et si ces paramètres font intervenir N dimensions
fondamentales, alors le nombre de produits adimensionnels est e gal a` n N.
Le theorème Pi est a` la base des essais effectues sur des modèles reduits par les
ingenieurs : tant que le prototype et le modèle reduit partagent les memes nombres
sans dimensions caracteristiques du problème, les resultats mesures sur le modèle reduit
peuvent e tre extrapoles au prototype.
Le theorème peut e tre utilise e galement pour deviner la forme des lois gouvernant un
système ou pour en simplifier la presentation et lanalyse.
E XEMPLE 2.5 Considerons la force exercee sur un courantomètre plonge dans le courant. Une
analyse rapide du problème laisse deviner une dependance de la force F en la dimension D du
courantomètre, la densite de leau , la vitesse du courant V et la viscosite dynamique de leau ,
soit
F = f (V, D, , )
(2.10)
Les dimensions des differentes variables du problème sont
[F] = MLT2 ,
[V ] = LT1 ,
[D] = L,
38
[] = ML3 ,
[] = ML1 T1
(2.11)
Elles dependent des trois dimensions fondamentales M, L et T. Par le theorème Pi, la relation (2.10)
entre les 5 variables dimensionnelles peut prendre la forme dune e quation entre 5-3 = 2 produits
adimensionnels. Le passage de 5 a` 2 variables simplifie e videmment lanalyse du problème. Si on
prend le nombre de Reynolds
V D
,
[Re] =
LT1 L ML3
=1
ML1 T1
(2.12)
F
,
D2V 2
[Ne] =
MLT2
=1
ML3 L2 L2 T2
(2.13)
Re =
et le nombre de Newton
Ne =
la relation (2.10) peut sexprimer sous la forme

Ne = Cd(Re)
(2.14)
F = Cd(Re)V 2 D2
(2.15)
soit
où Cd(Re) est une fonction du nombre de Reynolds qui pourra e tre determinee au moyen de
mesures en laboratoire. Ces mesures peuvent e tre realisees dans les conditions les plus favorables
dun point de vue experimental, i.e. en choisissant librement la vitesse V et la densite du fluide
utilise dans lexperience. Les resultats obtenus sont valables dans toutes les conditions, quelles
que soient la densite , la viscosite dynamique ou meme la dimension D du courantomètre.
Une connaissance a priori du problème est necessaire pour bien utiliser et exploiter
la puissance de lanalyse dimensionnelle. Lidentification correcte des paramètres et
constantes dimensionnelles a` inclure dans lanalyse est capitale. Si des variables
importantes sont absentes, les resultats peuvent se reveler incomplets ou meme errones.
Dautre part, la solution peut e tre parasitee et inutilement compliquee par la prise en
compte de trop de paramètres.
La presentation de donnees sous forme adimensionnelle permet e galement de produire
des graphiques beaucoup plus compacts et plus simples a` lire.
E XEMPLE 2.6 Considerons le graphique presentant la distribution spatiale de la concentration
dun traceur passif dans un e coulement unidimensionnel caracterise par une vitesse constante
u du courant et un coefficient de diffusion lui aussi constant. Pour un rejet initial donne du
traceur passif, la concentration C(t, x) depend du temps t et de la coordonnee spatiale x. Si
on considère differentes situations correspondant a` differentes vitesses u et/ou coefficients de
diffusion , ladvection et la diffusion du traceur seront modifiees et la concentration sera affectee.
Pour decrire ces differentes situations, il est a priori necessaire de tracer des courbes C(t, ) pour
differentes valeurs de t, de u et de . Pour simplifier la presentation graphique et lanalyse des
resultats, on peut cependant avoir recours a` une approche adimensionnelle en introduisant les
39
C
0.5
t = 1
0.4
0.3
t = 4
0.2
t = 10
0.1
t = 20
10
15
20
25
ux
x
=
30
F IG . 2.1 Distribution de la concentration issue dun rejet ponctuel en fonction de

variables adimensionnelles x pour des temps adimensionnels successifs t = 1, 4, 10 et 20.
variables adimensionnels t et x obtenues en divisant t et x par des grandeurs caracteristiques de

memes dimensions, soit
u2 t
xu
t =
,
x =
(2.16)
Puisque x, t, u et dependent uniquement des deux dimensions fondamentales L et T, le champ de

concentration peut e tre decrit comme une fonction des 4-2=2 variables adimensionnelles (2.16).
Les courbes correspondantes representees a` la figure 2.1 permettent dobtenir la solution en tout
point x et en tout temps t pour des valeurs quelconques de u et .
2.4 Variations caracteristiques.

Les grandeurs adimensionnelles peuvent aussi e tre introduites par le biais de
grandeurs caracteristiques.
E XEMPLE 2.7 Considerons la dynamique dune population dont la concentration C(t, x) dans un
domaine unidimensionnel varie selon
C
2C
= 2 +C
t
x
(2.17)
où x designe la coordonnee spatiale, t est le temps, le premier terme du membre de droite
represente le processus de diffusion ( est le coefficient de diffusion) et le second terme modelise la
croissance de la population ( est le taux de croissance specifique, suppose constant). La diffusion
agit a` lencontre de la croissance de la population. La croissance exponentielle de la population
est contrecarree par la diffusion de celle-ci dans tout lespace.
40
Remplacons les variables dimensionnelles C, t, et x par les variables adimensionnelles

C
C = ,
C
t =
t
,
t
x =
x
x
(2.18)
où C , t et x designent des valeurs caracteristiques de C, t, et x. Substituant ces expressions dans

(2.17), on a
C 2C
C C
= 2 2 + C C
(2.19)
t t
x x
Les differents termes de cette expression peuvent e tre rendus adimensionnels par multiplication
par x2 /(C ), soit
2
2
x
x C 2C
= 2+
C
(2.20)
Kt t
x
où les termes entre crochets sont des produits adimensionnels. La dynamique de la population C
depend uniquement de ces deux produits adimensionnels.
En utilisant le second produit adimensionnel, on constate que la longueur caracteristique x
est donnee par
r
x
(2.21)
Cette expression montre bien que la longueur x caracterisant la distribution spatiale de la

population resulte des actions antagonistes de la diffusion et de la croissance de la population.
De meme, en utilisant le premier produit adimensionnel, on verifie que le temps caracteristique t
de la population est donne par
x2 1
t
(2.22)
Lanalyse dimensionnelle ne permet pas daller plus loin. On ne peut, par exemple, determiner
les constantes de proportionnalite dans les relations (2.21) et (2.22). La resolution complète de
(2.17) fait apparatre en fait des longueur et temps caracteristiques donnes par
r
L2
Lc =
,
tc = 2c
(2.23)
8
Ces expressions sont bien du type fourni par lanalyse dimensionnelle.
La comparaison de nombres adimensionnels obtenus en combinant des grandeurs

caracteristiques dun problème est très souvent utilisee pour comparer les influences
respectives de differents processus sur la dynamique dun système donne.
E XEMPLE 2.8 La composante horizontale de lequation de la quantite de mouvement dune
particule fluide, secrit generalement sous la forme

u
u
+ v u + f e3 u = h q +
(2.24)
t
x3
x3
où u designe la composante horizontale du vecteur vitesse v, f = 2 sin est la frequence de
Coriolis, i.e. le double de la composante verticale locale de la vitesse de rotation de la Terre, x3
41
est la coordonnee verticale et e3 le vecteur unitaire correspondant, q est la pression generalisee,

represente le coefficient de diffusion turbulente et h est la composante horizontale de loperateur
differentiel .
Designant respectivement par Lc et Vc des longueurs et vitesses caracteristiques de
lecoulement, les ordres de grandeur des termes dacceleration relative et de lacceleration de
Coriolis sont donnes respectivement par
2
v
V
(2.25)
+ v v = O c
et
f Ez v = O ( fVc )
t
Lc
Limportance relative des termes dacceleration relative et de Coriolis peut donc e tre mesuree par
le rapport adimensionnel
Vc2
Vc
L
Ro = c =
(2.26)
fVc
f Lc
Ce nombre est appele le nombre de Rossby. Dans le cas decoulements aux grandes e chelles
spatiales et temporelles, on a generalement Ro 1, de sorte que linfluence du forcage de Coriolis
est preponderante.
2.5 Determination
adimensionnels.
systematique
des
produits
Dans les exemples precedents, les nombres adimensionnels semblent parfois

apparatre miraculeusement. Un methode systematique existe cependant pour generer les
produits adimensionnels. Si on dispose de n nombres dimensionnels x1 , x2 , . . ., xn faisant
intervenir N dimensions fondamentales D1 , D2 , . . . DN {M, L, T, I, , J} on exprime
dabord les dimensions de chacune des grandeurs x j , soit
a
[x j ] = D11 j D22 j . . . DNN j
(2.27)
= x1 1 x2 2 xn n
(2.28)
1 a11 + 2 a12 + + n a1n = 0

1 a21 + 2 a22 + + n a2n = 0
..
.
1 aN1 + 2 aN2 + + n aNn = 0
(2.29)
En exprimant que le produit
est sans dimensions, les exposants 1 , 2 , . . ., n apparaissent comme les solutions du

système dequations algebriques lineaires
Ce système comportant N e quations pour n inconnues possède au plus N n

solutions lineairement independantes qui definissent autant de nombres adimensionnels
independants.
42
E XEMPLE 2.9 Le metabolisme dun poisson peut e tre decrit par une relation du type
T = W
(2.30)
où T designe le taux de consommation doxygène, les depenses metaboliques par unite de temps,
W la masse du poisson et un coefficient approprie.
Dautre part, la croissance est fonction de la ration alimentaire R selon une loi du type
dW
= R e(a+bR)
dt
(2.31)
qui montre que le taux dassimilation est une fonction decroissante de la ration alimentaire lorsque
celle-ci est très grande. Par derivation, on verifie aisement que le taux de croissance est maximum
pour R = 1/b.
Puisque le bilan e nergetique secrit e galement
dW
= RT
dt
(2.32)
dW
= R(1 e(a+bR) )
dt
(2.33)
on en deduit que T est donne par

T = R
et donc
R(1 e(a+bR)) = W
(2.34)
Cette dernière e quation peut e tre utilisee pour calculer, pour un poisson de masse W quelconque,
la ration alimentaire necessaire pour maintenir son activite metabolique.
Le problème ci-dessus fait apparatre les 8 variables t, W , R, T , , b, a et dont
les 2 dernières sont dejà sous forme adimensionnelle (comme exposant ou argument dune
fonction transcendante). Pour former des produits adimensionnels a` partir des autres variables,
determinons-en dabord les dimensions. On a
[t] = T,
[T ] = MT 1 ,
[W ] = M,
[R] = MT 1 ,
[] = M1 T1 ,
[b] = M1 T
(2.35)
où les dimensions de sont obtenues a` partir de lequations aux dimensions correspondant a`
(2.30). On remarque que toutes les variables dependent de deux dimensions fondamentales. Selon
le theorème Pi, il leur correspond donc 6 2 = 4 produits adimensionnels.
Les produits adimensionnels sont obtenus en calculant les produits des variables
dimensionnelles, soit
= t x1 W x2 Rx3 T x4 x5 bx6
(2.36)
et en ajustant les exposants x1 , x2 , . . . , x6 pour que soit adimensionnel. En e galant a` 1 les
dimensions des deux membres de cette e quation, on obtient
1 = [] = Tx1 Mx2 (MT 1 )x3 (MT 1 )x4 (M1 T1 )x5 (M1 T)x6
= Mx2 +x3 +x4 +(1)x5 x6 Tx1 x3 x4 x5 +x6
43
(2.37)
On en deduit que toute solution x1 , x2 , . . . , x6 du système dequations

(
x2 + x3 + x4 + (1 )x5 x6 = 0
x1 x3 x4 x5 + x6 = 0
(2.38)
fournit un nombre adimensionnel. Les e quations (2.38) forment un système homogène de 2

e quations lineairement independantes pour 6 inconnues. Elles possèdent donc une infinite de
solutions. Toutes ces solutions sexpriment cependant comme des combinaisons lineaires de 4
(nombre dinconnues - nombre dequations lineairement independantes) solutions de base. De
meme, on peut former une infinite de produits adimensionnels (2.36) qui peuvent tous secrire
comme les produits de certaines puissances de nombres adimensionnels 1 , 2 , 3 , 4 de base.
Plutot que dappliquer des techniques systematique de resolution de systèmes lineaires (e.g.
reduction a` une forme e chelonnee), on prefère faire apparatre chacune des variables les plus
significatives dans un et un seul produit adimensionnel qui peut alors e tre interprete comme
lequivalent adimensionnel de cette variable4 . Dans le cas present, on pourra par exemple, choisir
disoler t, W , R et T pour definir 1 , 2 , 3 et 4
Dans le cas de t, posant x1 = 1, x2 = x3 = x4 = 0, le système (2.38) se reduit a`
(
(1 )x5 x6 = 0
(2.39)
x5 + x6 = 1
dont lunique solution est
1
x5 = ,
x6 =
(2.40)
Le produit adimensionnel correspondant est donc

1 =
(b)1/
t
b
Dans le cas de W , on choisit x2 = 1, x1 = x3 = x4 = 0 et on doit resoudre le système

(
(1 )x5 x6 = 1
x5 + x6 = 0
(2.41)
(2.42)
dont la solution unique est

x5 = x6 =
(2.43)
On definit donc
2 = (b)1/W
(2.44)
De meme, on trouve aisement

3 = b R,
4 = b T
(2.45)
Les resultats de la mise sous forme adimensionnelle peuvent ensuite e tre utilises pour mener
des e tudes comparatives sur lingestion et le taux de croissance de differents poissons. Les produits
4 Il
peut cependant e tre impossible de proceder de la sorte pour certaines variables.
44
adimensionnels montrent que les quantites b/(b)1/ , 1/(b)1/ et 1/b representent des grandeurs
caracteristiques qui peuvent e tre utilisees pour une mise a` e chelle respectivement du temps, de la
masse et des rations alimentaires et taux de respiration de variables couvrant differentes e chelles
de grandeurs.
45
Chapitre 3
Interpolation.
Tout experimentateur se retrouve a` un moment ou un autre de son analyse face a` une
serie de donnees correspondant a` un certain e chantillonnage de grandeurs qui varient de
facon continue dans lespace et/ou dans le temps. Que ce soit pour realiser lanalyse de
ces donnees, pour les representer graphiquement ou pour forcer un modèle numerique, il
est alors souvent necessaire de les interpoler pour en reconstituer les variations continues.
Linterpolation de donnees est une operation a priori anodyne et qui est transparente
pour lutilisateur de beaucoup de logiciels (Excel, Surfer, Matlab. . . ). Il importe
cependant den connatre les principes pour une bonne utilisation de ces outils et
pour e viter les pièges quune utilisation irreflechie peut amener. Nous examinerons
successivement les problèmes dinterpolation unidimensionnelle, typiquement des series
temporelles, et les problèmes multidimensionnels comme ceux poses par la representation
de donnees variables dans lespace. Enfin, nous traiterons le cas particulier de
linterpolation de donnees 4D, i.e. qui varient a` la fois dans lespace et dans le temps.
3.1 Interpolation unidimensionnelle.

3.1.1 Interpolation lineaire.
La methode dinterpolation la plus simple et la plus utilisee est linterpolation lineaire.
Celle-ci consiste simplement a` faire passer un segment de droite entre deux points de
mesure. Designant par y1 et y2 les mesures dune meme variable aux temps t1 et t2 (t1 < t2 ),
il vient simplement
y2 y1
y(t) = y1 +
(t t1 )
(3.1)
t2 t1
Cette formule peut e tre utilisee pour approcher la variable en tous les instants t compris
entre t1 et t2. Elle peut e galement e tre utilisee avec precaution pour estimer la valeur de
y en-dehors de lintervalle [t1 ,t2]. On parle alors dextrapolation. Il convient cependant
dutiliser lextrapolation avec precaution puisquelle revient a` e tendre linformation
fournies par les donnees en-dehors du domaine dobservation.
46
Si on dispose de points de mesure (tk , yk ) (k = 1, 2 . . ., N) pour une serie de N stations

temporelles successives (regulièrement espacees dans le temps ou non), on peut construire
une interpolation lineaire par morceau en appliquant la formule dinterpolation lineaire
(3.1) successivement aux paires de points de mesure successifs {(tk , yk ), (tk+1, yk+1 )}
(k = 1, 2 . . ., N 1).
Si la derivee par rapport a` t de la grandeur e tudiee a un sens, il faut e tre conscient
du fait que linterpolation lineaire par morceau revient a` supposer que cette derivee est
constante par morceau, i.e.
yk+1 yk
(3.2)
tk+1 tk
et presente donc des discontinuites en chacun des points de support (tk , yk ) de

linterpolation.
Dautre part, linterpolation lineaire par morceau construit une representation continue
des donnees dont la moyenne est en generale differente de celle des donnees qui ont
servi a` la construire. Ainsi, par exemple, si les points de support (tk , yk ) de linterpolation
representent des flux moyens par mois dune certaine substance, les bilans mensuels
et annuels de cette substance seront biaises par linterpolation lineaire par morceau. Si
le bilan doit absolument e tre respecte, la solution la plus simple consiste a` approcher
levolution des flux par des valeurs yk constantes mois par mois.
3.1.2 Interpolation polynomiale.

Linterpolation polynomiale constitue une extension de linterpolation lineaire. En
effet, linterpolation lineaire repose sur le fait que par deux points passe une et une seule
droite. De meme, par trois points passe un et un seul polynome du second degre. Par quatre
points, on peut mener un polynome unique de degre trois. . . En general, pour interpoler
les donnees caracterisees par N points de support, on pourra donc utiliser un polynome de
degre N 1.
La formule dinterpolation polynomiale de Lagrange permet de construire le
polynome recherche de facon systematique :
y(t) = y1
(t t1 )(t t3 ) (t tN )
(t t2 )(t t3 ) (t tN )
+ y2
(t1 t2)(t1 t3 ) (t1 tN )
(t2 t1 )(t2 t3 ) (t2 tN )
(t t1 )(t t2 ) (t tN1 )
+ yN
(3.3)
(tN t1 )(tN t2 ) (tN tN1 )
ou, de facon compacte,

N
"
y(t) = yi
i=1
t tk
ti tk
k=1,k6=i
! #
(3.4)
Linterpolation polynomiale permet dobtenir une representation continument

derivable des donnees. Elle permet donc une representation graphique e legante ainsi que
lestimation des derivees en chaque point.
47
y
2.5
2
1.5
1
0.5
t
0.5
1.5
2.5
-0.5
F IG . 3.1 Interpolation polynomiale des donnees {(0, 2), (1, 2), (2, 0), (3, 0)}.
Contrairement a` linterpolation lineaire dont les valeurs interpolees sont toujours
comprises entre le minimum ymin et le maximum ymax des donnees initiales, linterpolation
polynomiale genère souvent des valeurs sortant de lintervalle [ymin , ymax ]. Ainsi,
appliquons (3.3) pour interpoler les donnees {(0, 2), (1, 2), (2, 0), (3, 0)}. Il vient
(t 0)(t 1)(t 3)
(t 1)(t 2)(t 3)
+2
+0+0
(0 1)(0 2)(0 3)
(1 0)(1 2)(1 3)
2
7
= t 3 3t 2 + t + 2
3
3
y(t) = 2
(3.5)
Cette cubique est representee a` la figure 3.1. On constate que le polynome prend
des valeurs superieures a` 2 et inferieures a` 0. Si les donnees a` interpoler sont des
concentrations, on voit que linterpolation na aucun sens entre (3, 0) et (3, 0) puisquelle
y presente des valeurs negatives.
Les problèmes de la figure 3.1 ne font quempirer si on augmente lordre de
linterpolation : le polynome risque de presenter un comportement fortement oscillatoire
qui nest absolument pas admissible par rapport a` la nature des variables et du problème
traites (Cf. figure 3.2).
3.1.3 Interpolation spline.

Linterpolation polynomiale fournit une representation lisse des donnees. Cependant,
comme le montrent les exemples de la section precedente, elle ne peut e tre appliquee a`
un ensemble de donnees trop important sous peine de donner naissance a` des oscillations
catastrophique. Lidee de linterpolation spline est deviter ces oscillations en generalisant
le concept dapproximation par morceau introduit pour linterpolation lineaire. Cette fois,
la fonction utilisee pour interpoler les donnees entre deux points de support sera un
polynome de degre p plutot quune expression lineaire.
48
y
200
150
100
50
t
20
40
60
80
100
120
-50
F IG . 3.2 Interpolation polynomiale de degre e leve.
Considerons les points de support (tk , yk ) (k = 1, 2 . . ., N). Une fonction spline de

degre p est une fonction polynomiale par morceau y(t) telle que
i. dans chaque intervalle [tk ,tk+1 ], y(t) est un polynome de degre inferieur ou e gal a`
p;
ii. y(t) passe par chacun des points de support ;
iii. en chacun des points interieurs t2,t3 , . . .,tN1 , y(t) est continue ainsi que ses
derivees jusquà lordre p 1.
Les fonctions spline possèdent de très bonnes proprietes de convergence et de stabilite

par rapport aux erreurs darrondi. Elles permettent e galement de très bonnes estimations
des derivees de la fonction interpolee.
La fonction spline cubique (p = 3) est la plus utilisee. Examinons en detail comment
la construire. En vertu de la première condition, y(t) se reduit a` un polynome dordre trois
fk (t) entre deux points de supports consecutifs, i.e.
y(t) = fk (t) = k + k t + k t 2 + k t 3 ,
tk t tk+1
(k = 1, 2, . . ., N 1) (3.6)
La fonction spline est donc entièrement definie par la donnee des 4(N 1) coefficients
k , k , k et k (k = 1, 2, . . ., N 1). Les conditions dinterpolation et de continuite de la
fonction spline determinent les conditions que doivent remplir ces coefficients.
Interpolation :
fk (tk ) = yk ,
fk (tk+1 ) = yk+1 ,
k = 1, 2, . . ., N 1
k = 1, 2, . . ., N 1
(3.7)
(3.8)
k = 2, . . . , N 1
(3.9)
Continuite de la derivee première :
fk1
(tk ) = fk (tk ),
49
Continuite de la derivee seconde :
fk1
(tk ) = fk (tk ),
k = 2, . . ., N 1
(3.10)
Les contraintes (3.7)-(3.10) representent un système de 4N 6 e quations lineaires

pour les 4N 4 inconnues k , k , k et k . Pour determiner complètement la fonction
spline y(t), on doit donc introduire deux conditions supplementaires. En general, ces deux
conditions supplementaires prennent lune des trois formes suivantes :
i. spline naturelle :
f1 (t1) = fN1
(tN ) = 0
(3.11)
ii. spline periodique :
f1 (t1 ) = fN1
(tN ),
f1 (t1 ) = fN1
(tN )
(3.12)
iii. pentes terminales fixees :

f1 (t1) = m1 ,
fN1
(tN ) = mN
(3.13)
où m1 et mN sont des constantes fixees a priori.

La spline cubique naturelle est ainsi nommee car elle rend minimale (dans un certain
espace) lintegrale
Z tN
2
y (t) dt
(3.14)
t1
qui constitue une mesure approchee de la courbure totale de la fonction y(t) sur lintervalle
considere. Vu sous cet angle, la fonction spline naturelle est la fonction la plus regulière
dinterpolation des points de support.
` titre dexemple, la figure 3.3 presente le resultat de linterpolation des donnees de la
A
figure 3.2 par une spline cubique naturelle. Le resultat est bien plus satisfaisant que celui
obtenu par linterpolation polynomiale.
La determination complète des coefficients k , k , k et k definissant la fonction
spline cubique passe par la resolution dun système lineaire dequations liant tous les
points de support. Cest donc une approximation globale de la fonction ; si on ajoute
de nouveaux points ou si on modifie un point de support, tous les polynomes cubiques
definissant y(t) sont modifies (et toute la procedure de calcul doit e tre repetee). Cependant,
en raison de la structure particulière du système dequations lineaires correspondant a`
(3.7)-(3.10) et aux conditions terminales, leffet dune modification dun point de support
sattenue rapidement lorsque la distance au point de support perturbe augmente.
On remarque sur la figure 3.3 que linterpolation spline ninduit quun très faible
depassement de la valeur maximale contenue dans les donnees. Un tel depassement
(ou une valeur inferieure au minimum des donnees) est toujours possible et est en
general tout a` faire realiste ; il serait tout a` fait fortuit et surprenant que lechantillonnage
des donnees capte parfaitement les extrema. Cependant, il est e galement possible que
cette valeur ne puissent exister dans la nature. De nombreuses variantes de fonctions
50
y
200
150
100
50
t
20
40
60
80
100
120
-50
F IG . 3.3 Interpolation spline cubique nature (trait continu) et polynomiale de degre

e leve (trait interrompu).
spline sont alors disponibles pour modifier linterpolation ponctuellement et e viter

ce problème. Linterpolation spline sous tension, par exemple, repose sur le meme
principe dapproximation par morceau mais remplace les polynomes de linterpolation
spline classique par des combinaisons de polynomes et de fonctions exponentielles. Ces
combinaisons dependent dun paramètre permettant de controler localement la tension
et deliminer les points dinflexion juges superflus.
3.2 Interpolation multi-dimensionnelle.

Dans la section precedente, les donnees interpolees dependaient a priori dune seule
variable independante, notee t. Penchons nous maintenant sur linterpolation de grandeurs
qui dependent a priori de plusieurs variables independantes. Bien que la plupart des
concepts introduits dans la suite peuvent e tre aisement generalises a` des problèmes en
dimension quelconque, nous aurons a` lesprit le problème de linterpolation spatiale bidimensionnelle.
Les techniques sont couramment employees pour ramener les donnees dune grille
experimentale irregulière vers une grille regulière en vue de leur analyse ou de leur
representation graphique.
3.2.1 Interpolation bi-lineaire.

En presence de donnees localisees de facon quelconque dans un plan, on peut aisement
generaliser linterpolation lineaire en deux e tapes.
Tout dabord, on decoupe le plan en sous-domaines triangulaires dont les sommets
sont les points de mesure.
En general, on peut decouper le domaine e tudie de differentes facons. Dans la
51
triangulation de Delaunay, on choisit de former un triangle a` partir de trois points si et

seulement si le cercle circonscrit a` ce triangle ne contient aucun autre point de mesure.
Ensuite, dans chaque triangle, on approche la variable e tudiee par une fonction lineaire
f (x, y) = + x + y
(3.15)
Si la variable prend les valeurs z1 , z2 et z3 aux sommets (x1 , y1 ), (x2 , y2 ), (x3 , y3 ) du

triangle, alors fk represente une interpolation des points de support correspondant si
f (xi , yi ) = zi
i = 1, 2, 3
(3.16)
Ce système de trois e quations a` 3 inconnues possède une solution unique (sauf si les
points (x1 , y1 ), (x2 , y2 ), (x3 , y3 ) sont alignes auquel cas le triangle degenère en un segment
de droite) qui determine de facon unique linterpolation lineaire a` linterieur du triangle
considere.
En repetant loperation separement dans chacun des triangles, on construit une
interpolation lineaire par morceau. Celle-ci est continue dun triangle a` lautre. Le
long dune arete formant la frontière entre deux triangles, linterpolation bi-lineaire
(3.15) se reduit a` une interpolation lineaire entre les valeurs prises par le champs
aux deux sommets dextremite de cette arete. Deux triangles contigus presentant une
arete commune partagent e galement les sommets correspondant et les interpolations bilineaires associees concident donc sur cette arete. Les derivees partielles, constantes sur
chaque triangle, sont par contre discontinues dun triangle a` lautre.
Remarquons que la procedure permet dinterpoler les donnees dans lunion des
triangles, soit lenveloppe convexe des points de mesure. Toute tentative de determination
du champ en dehors de cette enveloppe constitue une dangereuse extrapolation.
3.2.2 Interpolation par distance inverse.

Bien que lon puisse generaliser a` plusieurs dimensions les interpolations polynomiale
et spline introduites dans le cadre unidimensionnelle, linterpolation par distance inverse
est souvent preferee a` ces techniques generalisees.
Le principe de la methode est de calculer la valeur du champ en chaque point a` partir
dune moyenne ponderee des mesures disponibles. Pour que les donnees proches du point
e tudie interviennent davantage dans la moyenne que les donnees plus e loignees, les poids
sont inversement proportionnels a` une certaine puissance p > 0 de la distance entre le
point courant et le point de mesure. En presence de donnees (xi , yi , zi ) (i = 1, 2, . . ., N), où
zi designe les valeurs prises par la grandeur a` interpoler, on aura donc
N
z(x, y) = wi (x, y)zi
(3.17)
i=1
où les poids wi sont donnes par

wi (x, y) =
hi (x, y)
N
où
hi (x, y) =
p
h j (x, y)
j=1
52
(x xi )2 + (y yi )2
(3.18)
Par construction, les valeurs du champ interpole seront comprises entre les valeurs
maximales et minimales des donnees initiales. Linterpolation est e galement indefiniment
continument derivable.
Lexposant p dans (3.17) est souvent pris e gal a` 2. Plus lexposant p est e leve,
moins les points e loignes influencent la valeur locale de linterpolation. Pour e viter
linfluence des points trop e loignes, on peut aussi ne prendre en compte dans (3.17) que
les points dont la distance au point courant dinterpolation est inferieure a` une certaine
distance limite (calculee pour avoir suffisamment de points de mesure ou fixee a` partir
de caracteristiques connues du champ e tudie). De facon alternative, on peut e galement
restreindre les donnees intervenant dans (3.17) aux seuls donnees correspondant aux
sommets dun triangle de Delaunay.
3.3 Estimation lineaire.

Les techniques exposees ci-dessus sont toutes de vraies methodes dinterpolations :
le champ interpole passe exactement par les points de support. Ceci nest cependant pas
toujours souhaitable si on prend en compte, par exemple, lerreur experimentale associee
a` chacune des mesures ou la variabilite naturelle de la grandeur observee. Il arrive par
exemple frequemment que des valeurs très differentes soient obtenues pour des mesures
effectuees en des points très proches. Si une procedure dinterpolation vraie, comme celles
des sections precedentes, est appliquee a` ces donnees, des gradients spatiaux peu realistes
apparatront. Dans ce cas, il faut se resoudre a` relaxer la contrainte dinterpolation exacte
des mesures. On construit alors une approximation qui approche au mieux les donnees
disponibles dans un certain sens a` definir.
Dans cette section, nous examinons les problèmes destimation lineaire, i.e. ceux dans
lesquels les paramètres de linterpolation apparaissent lineairement.
3.3.1 Problème de base de regression lineaire.

Le problème de base de la regression lineaire consiste a` estimer, a` partir des donnees
experimentales (xi , yi ) (i = 1, 2 . . ., N), les paramètres b0 et b1 dune loi liant les valeurs
dune variable aleatoire y a` une variable independante non-aleatoire x selon le modèle
y = E[y] + = b0 + b1 x +
(3.19)
où E[y] designe lesperance mathematique de la variable aleatoire y et est une variable
aleatoire de moyenne nulle. En dautres termes, on suppose que, pour chaque valeur
de la variable independante x, il existe une distribution aleatoire de y dont la valeur
mesuree constitue une realisation. La moyenne de la population correspondant a` la
variable independante x est donnee par la loi lineaire b0 + b1 x. Le paramètre b1 mesurant
la sensibilite de E[y] a` x est appele le coefficient de regression.
Lapplication des techniques de regression lineaire aux donnees experimentales
suppose que lecart entre la prevision yi = b0 + b1 xi du modèle lineaire au point xi et
53
lobservation yi en ce meme point reflète le caractère aleatoire de la variable y. Le terme

aleatoire est suppose representer lerreur de mesure et la variabilite naturelle superposee
au modèle lineaire b0 + b1 x.
Pour determiner les coefficients b0 et b1 , on minimise la somme des carres des e carts
SSE entre les valeurs predites yi et reellement observees yi , soit
N
SSE =
2i
i=1
h
i2
= (yi yi ) = yi (b0 + b1 xi )
2
i=1
(3.20)
i=1
Lannulation des derivees partielles de (3.20) par rapport a` b0 et b1 , fournit les

e quations lineaires permettant de determiner les coefficients qui rendent minimale la
somme des carres des e carts. On a
SSE
=
2
(yi b0 b1xi) = 0
b0
i=1
(3.21)
N
SSE
b = 2 xi (yi b0 b1 xi ) = 0
1
i=1
On calcule aisement
b1 =
N xi yi
i=1
xi
i=1
N x2i
i=1
où on a note
x =
yi
xi
i=1
i=1
!2
1 N
xi,
N i=1
i y)
(xi x)(y
i=1
(xi x)
(3.22)
i=1
y =
1 N
yi
N i=1
(3.23)
` partir de (3.22), on en deduit alors que

A
b0 = y b1 x
(3.24)
Cette dernière e quation montre que la droite de regression passe toujours par le point
moyen (x,
y).
La droite de regression partage en fait les points experimentaux en deux
groupes dont les e carts par rapport a` la droite de regression sont respectivement positifs
et negatifs et se compensent exactement.
Introduisant les notations
N
SST = (yi y)
2,
SSR = (yi y)
2
i=1
(3.25)
i=1
et utilisant (3.22)-(3.24) on peut e crire (3.20) sous la forme

SSE = SST SSR
54
(3.26)
Dans cette expression, SST represente la variance totale de la variable dependante y,

SSR mesure la variance expliquee par le modèle de regression tandis que SSE represente
la variance totale qui nest pas expliquee (ou representee) par le modèle de regression
lineaire.
Clairement, le rapport
N
r2 =
SSR
=
SST
(yi y) 2
i=1
N
(yi y)
(3.27)
i=1
entre la variance expliquee par le modèle lineaire et la variance totale des donnees
constitue une mesure de la validite du modèle lineaire de regression. Il est appele le
coefficient de determination. Par construction, celui-ci varie entre 0 et 1. Une valeur
proche de 1 indique un bon accord entre les donnees et le modèle lineaire. Lorsque
laccord est de moins en moins bon, r2 decrot vers sa valeur minimale possible de zero.
Le coefficient de determination peut e tre rapproche du coefficient de correlation r qui
peut e tre defini pour deux variables aleatoires1 x et y par
r=
où
Cxy =
Cxy
sx sy
(3.28)
1 N
i y)
(xi x)(y
N 1 i=1
designe la covariance de x et y et où

s
1 N
sx =
(xi x) 2,
N 1 i=1
sy =
1 N
(yi y) 2
N 1 i=1
(3.29)
(3.30)
sont les estimateurs des e cart-types de deux variables aleatoires. Comme le suggère la
` ce
notation, le coefficient de determination est le carre du coefficient de correlation. A
titre, il est e galement adimensionnel et il varie entre -1 et +1. Un coefficient de correlation
positif signifie que les variables x et y varient en phase, i.e. dans le meme sens. Un
coefficient negatif temoigne de variations en opposition de phase, i.e. a` une augmentation
dune variable correspond une diminution de lautre variable.
Il faut cependant se garder dun optimisme excessif face a` un coefficient de
determination proche de lunite. En effet, la mesure absolue de laccord entre les donnees
et le modèle lineaire est donnee par lerreur standard de lestimation
s
r
SSE
1 N
s =
=
(3.31)
(yi yi)2
N 2
N 2 i=1
1 En
introduisant le problème de regression lineaire, nous avons suppose que seule la variable y e tait
aleatoire.
55
Le facteur N 2 intervenant au denominateur de (3.31) represente une estimation du

nombre de degres de liberte de basee sur le fait que les deux paramètres b0 et b1 sont
estimes a` partir de lensemble des donnees. Dans le cas limite dun ensemble de 2 points
de mesure, la regression lineaire conduit a` interpoler parfaitement les donnees aux points
de mesure et le coefficient de determination est unitaire. Cependant, lerreur standard de
lestimation est theoriquement infinie ; on ne dispose pas de suffisamment dinformation
complementaire pour quantifier lerreur associee a` la regression lineaire. Des statistiques
precises sur les erreurs associees au modèle lineaire ne peuvent e tre obtenues que si on
augmente le nombre de points de mesure.
Pour aller plus loin dans lanalyse de lerreur, il est necessaire de faire des hypothèses
sur le type de distribution statistique de lerreur . Si on suppose que la distribution
de celle-ci est normale (moyenne nulle) et independante de la variable aleatoire x,
alors lerreur standard de lestimation peut e tre utilisee pour construire un intervalle de
confiance pour lestimation. Ainsi, a` peu près 68.3% des observations se situeront dans
un intervalle de 1s de la droite de regression, 95.4% tomberont a` 2s et lintervalle
3s contiendra 99.7% des donnees.
Dautres option sont disponibles dans les logiciels de traitement statistique. Par
exemple, sous lhypothèse de normalite de utilisee plus haut et considerant le coefficient
de regression comme une variable aleatoire, on peut tester lhypothèse nulle b1 = 0,
i.e. pas de correlation entre les deux variables x et y. Lorsque lhypothèse nulle est
rejetee (pour un niveau de confiance donne), la correlation est declaree statistiquement
significative.
Remarquons quun coefficient de correlation e leve ou un bon accord dune droite de
regression y(x) avec les donnees experimentales ne signifie pas que x est la cause de y.
Il se peut très bien que y soit la cause de x ou que x et y soient influences par un meme
facteur (ou une combinaison de facteurs). Cette dernière possibilite est très utilisee dans
les e tudes climatiques et dans certaines e tudes environnementales dont on ne parvient pas
vraiment a` cerner ou a` definir les paramètres cles. On definit dans ce cas un indicateur
ou proxy comme une variable aisement mesurable et caracteristique du changement
climatique ou environnemental.
3.3.2 Estimation au sens des moindres carres.

Le problème (3.19) est qualifie de lineaire, non pas parce que la partie deterministe
varie lineairement avec la variable independante x mais parce que les paramètres inconnus
b0 et b1 y apparaissent lineairement. Cest cette propriete qui permet dobtenir des
e quations lineaires lorsque lon minimise les e carts au sens des moindres carres. La
methode est donc generalisable a` dautres modèles que le modèle (3.19) pourvu que les
paramètres inconnus y interviennent lineairement.
Parmi les modèles les plus couramment utilises, citons
le modèle logarithmique
y(x) = b0 + b1 ln x,
(3.32)
56
le modèle polynomial
y(x) = b0 + b1 x + b2 x2 + + bk xk
(3.33)
Dautres modèles, a priori non lineaires en les paramètres, peuvent e tre traites après
transformation des donnees. Ainsi, le modèle
y(x) = ex
(3.34)
peut e tre ramene a` un problème de regression lineaire des donnees modifiees (xi , yi ) =
(xi , ln yi ) puisque, en prenant le logarithme des deux membres de (3.34), on obtient
ln y = ln + x,
y = b0 + b1 x
soit
(3.35)
où b0 = ln et b1 = .
De meme, une relation du type
y(x) = x
(3.36)
constitue une relation lineaire pour les variables (x,

y)
= (ln x, ln y) puisque
ln y = ln + ln x
(3.37)
La relation
+x
peut donner lieu a` deux types de linearisation. Soit
y(x) =
(3.38)
1 x
= +
y
(3.39)
pour les variables (x,

y)
= (x, 1/y) ou
y=
1
+
xy
(3.40)

y)
= (xy, y).
Enfin les paramètres de la loi de Michaelis-Menten
y(x) =
x
+x
(3.41)
peuvent e tre estimes par regression lineaire appliquee a` la relation transformee

1 1 1
= +
y x
(3.42)

y)
= (1/x, 1/y) ou
y = + ()
57
y
x
(3.43)

y)
= (y/x, y).
Remarquons quune optimisation directe (au sens des moindres carres) des paramètres
des relations (3.34), (3.36), (3.38), (3.41) est possible en utilisant des algorithmes
specialises doptimisation mathematique. Les paramètres optimaux obtenus seront en
general legèrement differents de ceux obtenus par regression lineaire. Les differentes
linearisations dune meme relation conduiront e galement a` des resultats differents. En
effet, chacune des optimisations correspond a` une ponderation differente des e carts.
3.4 Analyse objective.

Lajustement dune droite de regression a` un ensemble de donnees constitue une
alternative a` linterpolation pure et dure tenant compte du fait que les donnees sont
imparfaites et ne doivent donc pas e tre representees exactement par le modèle. La meme
approche peut e tre e tendue a` des donnees distribuees dans lespace.
Le but de lanalyse objective est en general de representer sur une grille regulière des
donnees experimentales distribuees de facon quelconque. Lanalyse est dite objective si
linterpolation est guidee par une logique mathematique bien definie. Linterpolation est
aussi qualifiee doptimale si elle correspond, comme dans le cas de la regression lineaire,
a` la minimisation dune certaine mesure de lerreur (en general lerreur quadratique
de lestimation). Linterpolation optimale se base sur lhypothèse de stationnarite
(independance par rapport au temps pendant la periode correspondant aux mesures)
et dhomogeneite spatiale (independance par rapport a` lespace) des caracteristiques
statistiques des donnees e tudiees. Grace a` ces hypothèses, les statistiques de lerreur
peuvent e tre estimees a` partir des donnees elle-memes et utilisees pour en fournir une
representation continue.
Pour fixer les idees, considerons un ensemble de mesures di = d(xi ,ti ) obtenues a`
differentes positions xi en des temps differents ti . Le problème de lanalyse objective
consiste a` recreer une approximation continue Da (x,t) du champ reel inconnu D(x,t) a`
partir de ces donnees.
La première e tape du traitement consiste generalement en le calcul de la difference
entre les observations et un champ de reference Dre f , ce qui definit lanomalie
du champ e tudie. Ceci permet de soustraire des observations la moyenne et la
tendance (pas necessairement lineaire) connues pour le champ e tudie et de se
concentrer sur linterpolation optimale de lanomalie. Lanomalie possède, en general,
des caracteristiques statistiques plus interessantes que le champ de depart comme la
stationnarite, lhomogeneite ou lisotropie.
Le champ de reference est en general fourni par des donnees climatiques ou
historiques. Lorsque de telles donnees ne sont pas disponibles on peut e galement e valuer
la moyenne et la tendance directement a` partir des donnees experimentales que lon desire
interpoler. Le champ de reference constitue une première approximation du champ e tudie
qui permet de decrire les zones qui ne sont couvertes par aucune donnee, dintroduire des
structures connues (zone frontale, upwelling,. . . ) qui ne sont pas bien representees par les
58
donnees ou de forcer une certaine coherence avec la dynamique connue de la region.

Les methodes dinterpolation optimales font partie de larsenal des methodes
destimation lineaire. Le champ Da est reconstruit sous la forme dune somme ponderee
des differentes mesures disponibles
N
Da (x,t) = Dre f (x,t) + wi (x,t)(di Dre f (xi ,ti ))
(3.44)
i=1
où wi (x,t) represente le poids de la mesure i dans la reconstruction du champ. Notant les
anomalies par di et Da , cette e quation peut secrire plus simplement
N
Da (x,t) = wi (x,t)di
(3.45)
i=1
La relation (3.44) est semblable a` celle utilisee dans linterpolation par distance
inverse. Cependant, on desire maintenant ajuster les poids wi pour refleter, non seulement
la proximite des donnees au point courant, mais e galement la fiabilite et la precision des
donnees. En effet, linterpolation optimale ne devant pas passer exactement par les points
experimentaux, il importe de quantifier la contrainte representee par les mesures.
Idealement, les poids devront prendre en compte lerreur associee a` chaque type de
mesure et varier de facon inversement proportionnel a` lerreur experimentale. Ainsi,
sil sagit de reconstituer le champ de temperature, on ponderera differemment les
mesures fournies par XBT, CTD et observations satellitaires. Lerreur de mesure peut
e galement e tre influencee par le type de traitement prealable subi par ces mesures.
Par exemple, la constitution de super-observations permet de construire des nouvelles
donnees entachees dune erreur minimale en prenant la moyenne de plusieurs mesures
realisees en des points très proches lun de lautre.
Les poids wi doivent e galement refleter lecart attendu par rapport au champ de
reference, i.e. lordre de grandeur normale de lanomalie. Si le champ de reference est
constitue dune moyenne climatique, lecart-type associe constitue une mesure appropriee
de cet e cart. Si le champ de reference est construit a` partir des resultats dun modèles
numeriques de prevision, les statistiques derreur du modèle pourront e tre prise en
compte.
Enfin, lajustement des poids wi doit permettre de compenser linhomogèneite de
la distribution des points de mesure. Pour comprendre la problematique liee a` la
distribution des mesures, considerons les trois cas particuliers de distribution des points
experimentaux de la figure 3.4. Dans les trois cas, les points de mesure sont situes sur un
meme cercle centre sur le point courant où on desire estimer la valeur du champ.
i. Dans le premier cas, les donnees sont reparties aux sommets dun triangle
e quilateral. La valeur au milieu doit donc e tre e galement influencee par chacune des
mesures (si les erreurs et incertitudes sur les mesures sont e gales). En particulier, si
les donnees sont parfaites, on doit logiquement poser
w1 = w2 = w3 =
59
1
3
(3.46)
ii. Dans le deuxième cas, les points de mesure 1 et 2 sont proches lun de lautre
et devraient logiquement apporter des informations proches. La quantite totale
dinformation apportee par les points 1 et 2 est inferieure a` celle apportee dans
le premier cas. Si les donnees sont parfaites on doit donc prendre
w1 = w2 =
1
,
3
w3 =
1
+ 2
3
(3.47)
pour une certaine valeur de .

iii. Dans le cas degenere où les points 1 et 2 sont confondus et apportent exactement la
meme information, on aura
1
w1 = w2 = ,
4
w3 =
1
2
(3.48)
P3
P3
P3
P2
b
P1
i.
P2
ii.
P1
P1 = P2
iii.
F IG . 3.4
Pratiquement, le champs reconstruit Da est lui meme e chantillonne sur une grille
danalyse regulière qui induit un nouveau filtrage. Selon le theorème dechantillonnage
de Nyquist, la plus petite longueur decrite par les donnees est e gale a` deux fois la distance
entre les points dobservations. La taille de la matrice doit e tre choisie en consequence.
Considerons desormais que Da represente la matrice colonne des anomalies (on a
laisser tomber les pour alleger les notations) en les differents points de la grille danalyse
tandis que d represente la matrice colonne des observations. La relation (3.45) peut
secrire sous forme matricielle selon
Da = Wd
(3.49)
où W designe la matrice des poids w j (xi ,ti ). Les e lements de W sont les inconnues du
problème.
Le champ reel est donne par
D = Da + a
(3.50)
60
où a designe la matrice colonne des erreurs associees au champ interpole. De meme,
designons par o la matrice colonne des erreurs associees aux mesures. Evidemment,
ces
grandeurs ne sont pas connues, puisque le champ reel nest pas connu ; dans la suite,
on e mettra cependant une serie dhypothèses les concernant et permettant de resoudre le
problème. Pour linstant, on suppose seulement quil ny a pas derreur systematique dans
les observations, i.e. que celles-ci ne sont pas biaisees.
` partir de ces grandeurs, on definit les matrice de covariances des erreurs C obtenue
A
en calculant le produit de la matrice colonne derreur par sa transposee et en en prenant
lesperance mathematique, i.e.
E[e1 e1 ] E[e1 e2 ] E[e1 en ]

E[e1 e1 ] E[e1 e2 ] E[e1 en ]
T
C = E[a a ] = ..
(3.51)
..
..
.
.
.
.
.
.
E[en e1 ] E[en e2 ] E[en en ]
où ei = Da (xi ,ti ) D(xi ,ti ) designe lerreur du champ interpole au point (xi ,ti ) de la grille
danalyse. Remarquons que la matrice de covariance est symetrique et definie positive.
Sur sa diagonale, on trouve les variances E[ei ei ] = i2 des erreurs aux differents points
de la grille danalyse. Les termes non diagonaux decrivent les dependances entre les
differents points de la grille danalyse.
En utilisant (3.49), la matrice C prend la forme
C = E[(Wd D)(Wd D)T ] = E[WddT WT DdT WT WdDT + DDT ]
(3.52)
Introduisons les matrices de covariance du champ CD , des observations Cd et la

matrice de covariance conjointe du champ et des observations CDd telles que
CD = E[DDT ],
Cd = E[ddT ],
CDd = E[DdT ]
(3.53)
Avec ces notations, (3.52) devient

C = WCd WT CDd WT WCDd T + CD
(3.54)
qui fait clairement apparatre la dependance de C en la matrice des poids W.

La cle de lanalyse objective reside dans le choix de W minimisant les termes
diagonaux (ou plus exactement la trace) de la matrice de covariance C de lerreur
danalyse, i.e. les variances des erreurs aux differents points de la grille danalyse. On
montre2 que ce minimum est atteint pour
W = CDd C1
d
2 En
(3.55)
utilisant la symetrie de Cd , on peut e crire C sous la forme

T
1
1
T
C = (W CDd C1
d )Cd (W CDd Cd ) CDd Cd CDd + CD
En utilisant le caractère symetrique defini positif de Cd , on en deduit que

T
1
(W CDd C1
d )Cd (W CDd Cd )
61
et
T
CDd C1
d CDd
Lestimateur, dit de Gauss-Markov, correspondant au minimum au sens des moindres

carres est donc donne par
Da = CDd C1
(3.56)
d d
Lerreur associee est quant-à elle caracterisee par
T
C = CD CDd C1
d CDd
(3.57)
Le calcul de W selon (3.55) suppose que lon dispose des matrices CDd et Cd .
Pour ce faire, on devrait disposer de series de mesures appropriees pour pouvoir
calculer les esperances mathematiques qui se cachent derrière ces matrices. Il est parfois
possible dutiliser des donnees historiques ou climatiques, si on peut supposer quaucun
changement nest intervenu dans le système entre la periode dorigine de ces donnees
et le moment e tudie. Dans un grand nombre de cas, cependant, on ne dispose que des
mesures d effectuees en un nombre limite de points. Lidee est alors de supposer que les
statistiques sont homogènes, stationnaires et isotropes dans la region e tudiee. Dans ce cas,
les correlations dun grandeur mesuree en deux points xi et x j ne dependent plus que de
la distance |xi x j | entre ces points. Dès lors,
(Cd )i j = E[di d j ] Cov(|xi x j |)
(3.58)
où le membre de gauche represente la covariance calculee a` partir de toutes les paires
de mesures distantes (approximativement) de |xi x j |. Pour e tre sur que lestimation
de la covariance produise une matrice Cd symetrique definie positive, une fonction
suffisamment regulière peut e tre ajustee aux valeurs calculees a` partir de (3.58).
Remarquons que la matrice Cd contient en elle a` la fois linfluence des erreurs
experimentales et de la correlation entre les donnees vraies. En effet, notant o cette erreur
experimentale et Do le champ reel aux points de mesure, on a
et
d = Do + o
(3.59)
Cd = E[ddT ] = E[Do Do T + Do o T + o Do T + o o T ]
(3.60)
Si les erreurs experimentales ne sont pas correlees avec le champ reel

E[Do o T ] = E[o Do T ] = 0
(3.61)
Cd = E[Do Do T ] + E[o o T ]
(3.62)
et (3.60) se simplifie selon
possèdent des e lements diagonaux positifs. Les e lements diagonaux de C seront donc minimaux pour
W = CDd C1
d
62
Une procedure semblable a` celle utilisee pour calculer Cd peut e tre utilisee pour
estimer CDd a` partir des donnees mesuree d.
Remarquons que lequation (3.55) montre que le poids des observations est
inversement proportionnel a` la covariance des donnees Cd . Ceci est bien conforme aux
principes generaux e nonces precedemment ; si une variable presente une forte variabilite,
son poids dans linterpolation doit e tre reduit. De meme, si les erreurs experimentales sont
entachees dune forte erreur experimentale prenant la forme dun bruit blanc, la matrice
E[o o T ] est diagonale, les coefficients diagonaux de Cd sont grands et le poids des points
incrimines est reduit. Enfin, remarquons que lerreur (3.57) augmente lorsque lincertitude
et/ou lerreur sur les mesures augmentent.
3.5 Krigeage
Dans la methode du krigeage (kriging en anglais) on calcule une moyenne ponderee
des observations semblables a` celle utilisee dans linterpolation par distance inverse
(3.17). Les poids sont cependant choisis differemment. Ils sont determines après une e tude
de la variabilite spatiale des donnees a` representer.
Tout commence par la construction dun semi-variogramme (generalement appele
abusivement variogramme) montrant les variations de la correlation entre les donnees en
fonction de la distance d entre celles-ci. Pour construire le variogramme, on groupe toutes
les donnees par paires et on repartit ces couples dans differentes classes en fonction de la
distance qui les separe. Le nombre de classes doit e tre suffisant pour decrire correctement
linfluence de la distance entre donnees mais doit e galement e tre limite pour disposer
de suffisamment de couples dans chaque classe de facon a` pouvoir en tirer des resultats
statistiquement significatifs. On pourra par exemple fixer le nombre de classes Nc en
fonction de la règle de Sturge, soit
Nc = 1 + 3.3 log10
N(N 1)
(3.63)
où designe larrondi inferieur.

Dans chaque classe, on calcule alors la semi-variance
(di ) =
1
2Ni
ijk (z j zk )2,
i = 1, 2, . . ., Nc
(3.64)
j=1 k=1
où di designe le centre de la classe i, Ni le nombre de couples dans cette classe et où ijk
vaut 1 si les points j et k appartiennent a` la classe i et 0 dans le cas contraire.
La semi-variance constitue un mesure de lerreur quadratique moyenne commise en
estimant la valeur du champ a` partir dune observation effectuee a` une distance d du point
courant. En general, le variogramme est donc une fonction croissante de la distance d et
presente une allure semblable a` celle de la figure 3.5.
63

b
b
b
b
b
b
b
d
F IG . 3.5 Semi-variogramme experimental (points) et approximation par un modèle
gaussien.
Idealement, le variogramme possède une asymptote horizontale a` un niveau qui

correspond a` la variance du champ analyse3 . Lexistence de cette asymptote montre que
la variance du champ est finie et, surtout, que la fonction dauto-correlation du champ ne
depend que de la distance entre les points et non pas de leur position dans le domaine
e tudie (stationnarite du second ordre). Cette propriete est e videmment capitale pour que
le variogramme ait un sens et puisse e tre utilise pour guider linterpolation des donnees
dans tous lespace.
La valeur de la distance d a` partir de laquelle lasymptote horizontale est quasiment
atteinte constitue une mesure de la distance maximale pour laquelle les donnees sont
correlees. Cest donc une estimation de la taille des structures les plus grandes presentent
dans les donnees.
Normalement, (d) tend vers zero pour des distances d très petites. En pratique, on
observe parfois une valeur non nulle. Cest ce que lon appelle leffet pepite (nugget
effect). Celui-ci est du aux erreurs de mesure ainsi quà lechantillonnage qui ne permet
pas de decrire les e chelles spatiales les plus fines.
Le variogramme construit experimentalement par une analyse par classe des donnees
ne permet pas de decrire les variations continues de la semi-variance (d). Il presente
e galement des imperfections par rapport au modèle ideal de la figure 3.5. Letat suivante
consiste donc en lajustement dun modèle analytique au variogramme experimental.
Plusieurs types de modèles peuvent e tre utilises :
i. modèle spherique
3 Lanalyse
"
3 #
d
C 1.5 0.5 d
si d a
1
a
a
(d) =
C1
si d > a
(3.65)
de donnees reelles par classes ne permet e videmment pas de decrire cette asymptote pour
d ni meme de lapprocher dans le cas où on dispose de peu de donnees experimentales.
64
ii. modèle exponentiel

h
i
(d) = C1 1 e3d/a
(3.66)
h
i
3d 2 /a2
(d) = C1 1 e
(3.67)
iii. modèle gaussien
iv. modèle a` effet Hole
(d) = C1
sin d/a
1
d/a
(3.68)
Ce modèle de Hole est applique aux variogrammes experimentaux non monotones

qui correspondent generalement a` des champs presentant une structures spatiale
periodique.
Ces modèles peuvent e ventuellement e tre modifies pour inclure un terme constant
representant leffet pepite. Le choix dun modèle plutot quun autre est plus un art quune
science... En toute rigueur, le choix dun variogramme doit e tre valide par des tests
statistiques.
Arme du modèle de variogramme, on procède a` linterpolation proprement dite. En
chacun des points de la grille danalyse, on determiner les poids de telle facon que les
semi-variances calculees a` partir du point courant se retrouvent sur la courbe (d) du
modèle de variogramme choisi.
En chaque point de la grille danalyse où le champ doit e tre determine, celui-ci est
calcule selon
N
z p = wi zi
(3.69)
i=1
Cette relation e tant lineaire, la coherence du modèle de correlation spatiale exige quune
relation semblable existe entre les semi-variances, i.e.
N
(d p j ) = wi (di j ),
j = 1, 2, . . .N
(3.70)
i=1
où d p j designe la distance entre le point danalyse et le point de mesure j et di j designe la

distance entre les points de mesure i et j. En plus des relations (3.70), on souhaite que la
valeur de linterpolation constitue une combinaison convexe des donnees initiales, i.e.
w1 + w2 + w3 + wN = 1
(3.71)
de facon a` ne pas creer dextrema en dehors du domaine des valeurs initiales. Les relations
(3.70)-(3.71) constituent un système de N + 1 e quations pour les N poids inconnus wi . On
introduit alors une variable supplementaire (multiplicateur de Lagrange) pour minimiser
la variance de lestimation. Les poids sont donc finalement determines en resolvant un
système de la forme
C wp = dp
(3.72)
65
où
(d11 ) (d12 ) (d1N )
(d21 ) (d22 ) (d2N )
..
..
..
C = ...
.
.
.
(dN1 ) (dN2 ) (dNN )

1
1
(d p1 )
(d p2 )
..
dp = .
(d pN )
1
(3.73)
en chaque point de la grille dinterpolation. Dans le krigeage, les poids sont donc de nature
statistique plutot que geometrique.
En plus du champ interpole, le krigeage fournit une mesure de la variance des valeurs
calculees en chaque point de la grille. Celle-ci est obtenue par la relation
1
1
.. ,
.
1
0
w1
w2

w p = ... ,

wN
2
2p = data
w p Td p
(3.74)
2
où data
designe la variance des donnees initiales. Si on suppose que les erreurs
destimation sont normalement distribuees, cette variance peut e tre calculee pour
construire des intervalles de confiance autour des valeurs estimees. Par exemple, la
probabilite que la valeur vraie se situe dans un intervalle p (resp. 2 p ) autour de
la valeur estimee est de 68 %(resp. 95%).
Pour estimer la robustesse de linterpolation, on peut e galement avoir recours a` une
validation croisee consistant a` e carter une observation de lanalyse et a` comparer sa valeur
avec lestimation produite par application du krigeage aux donnees restantes. En repetant
loperation pour chacune des mesures considerees separement, on peut calculer lerreur
quadratique moyenne ou le coefficient de correlation entre les donnees et leur estimation
par krigeage.
Des raffinements de la methode sont possibles. Par exemple, comme dans le cas de
linterpolation par distance inverse, on peut limiter le nombre de donnees intervenant dans
la determination des valeurs en un point donne.
On peut e galement traiter des champs anisotropes en construisant des variogrammes
differents pour decrire les correlations spatiales non seulement en fonction de la distance
entre les points mais e galement en fonction de leurs positions relatives.
Il existe de nombreuses variantes de la methode du krigeage. La methode de
base presentee ci-dessus est appelee krigeage ordinaire. Elle sapplique a` des variables
stationnaires de moyenne inconnue. La methode du krigeage universel, par contre, peut
e tre appliquee a` des donnees non-stationnaires, i.e. qui contiennent une tendance. On
peut e galement e tendre le krigeage a` plusieurs variables distinctes traitees simultanement
(krigeage multivarie).
3.6 EOF.
Linterpolation optimale permet de ramener sur une grille regulière des donnees
experimentales distribuees de facon quelconque de facon. En meme temps quelle fournit
66
une base rationnelle pour linterpolation spatiale des mesures, la methode introduit un
certain lissage des donnees experimentales en e liminant les structures qui paraissent peu
ou pas fiables ou insuffisamment representees par les mesures.
La decomposition en Fonctions Empiriques Orthogonales - EOF (Empirical
Orthogonal Functions) poursuit un but semblable mais pour des donnees qui varient dans
lespace et dans le temps. Plus precisement, la decomposition en EOF vise a` interpreter
les donnees comme une superposition doscillations independantes. En general, un petit
nombre de ces EOF suffisent a` decrire lessentiel de la variabilite spatiale et temporelle
des donnees. Dès lors, ces quelques EOF les plus significatives fournissent une description
compacte des donnees dans laquelle une grande partie du bruit experimental (resultant
derreurs de mesure ou de mesures peut significatives) a e te e liminee. Dans certains cas,
mais pas necessairement, une explication dynamique peut e tre donnee aux EOF ainsi
identifiees.
Lanalyse EOF est connue sous le nom danalyse en composantes principales en
statistique pure et danalyse de facteurs en sciences sociales. Dans tous les cas, il sagit
dune methode visant a` reduire les donnees initiales pour faire apparatre les informations
les plus significatives.
Considerons donc une serie de donnees variable dans lespace et dans le temps.
Notons ai j la mesure de la grandeur a(xi ,t j ) au point xi (i = 1, 2, . . ., M) au temps t j
( j = 1, 2, . . ., N). Ces donnees peuvent e tre groupees dans une matrice A dont les colonnes
decrivent letat du système au temps t j et les lignes representent levolution temporelle au
point xi . Le but de la procedure est de decrire les donnees sous la forme
M
ai j =
(k) (k)
wj
(3.75)
k=1
(k)
Dans cette expression, les i (k = 1, 2, . . ., M) representent M distributions spatiales

(k)
particulières, i.e. M modes spatiaux ou EOF, et les w j introduisent une modulation
temporelle des modes spatiaux. La modulation temporelle de chaque EOF est la meme en
tous les points du domaine. Au total, M modes sont utilises pour representer exactement
les donnees initiales. De facon alternative, on peut interpreter (3.75) comme la modulation
spatiale de M modes temporels doscillation.
La decomposition (3.75) des donnees pourrait a priori e tre realisee en utilisant des
(k)
(k)
modes spatiaux i quelconques. Si les modes i sont choisis de facon convenable,
(k)
(3.75) permet de determiner univoquement les M N coefficients temporels w j
correspondant aux M N donnees ai j . On desire cependant que ceux-ci soient lies aux
donnees initiales et independants. Plus exactement, on souhaite que les modes spatiaux
soient orthogonaux, i.e.
(
M
1
si k = l
(k) (l)
(3.76)
i i = kl = 0 si k 6= l
i=1
(k)
(k)
La relation (3.76) est la condition dorthogonalite des vecteurs et correspondant

aux modes k et l.
67
La condition (3.76) ne suffit e videmment pas a` determiner a` elle seule les EOF. Pour
aller plus loin, une condition similaire est demandee aux coefficients temporels, soit
(
k2 si k = l
1 N (k) (l)
2
w
w
=
=
(3.77)
j j
k kl
N j=1
0
si k 6= l
Cette condition exprime que les facteurs temporels relatifs a` des modes differents sont
non correles entre-eux. Pour k = l, k2 represente la variance associee au mode k.
Les conditions (3.76) et (3.77) suffisent pour determiner les EOF et les coefficients
temporels. Pour le voir, re-ecrivons dabord (3.75) sous la forme matricielle e quivalente
A = XWT
(3.78)

(2)
(M)
X = (1)

(3.79)

(1)
(2)
(M)
W = w w w
(3.80)
où
et
Avec ces notations, les conditions (3.76) et (3.77) secrivent respectivement

2
XT X = I,
WT W = diag 12 , 22 , , M
(3.81)
On calcule dès lors aisement
2
AAT X = XWT WXT X = Xdiag 12 , 22 , , M
(k)
(3.82)
ce qui montre que les colonnes de X, i.e. les EOF sont les vecteurs propres de la
matrice AAT . Les valeurs propres sont les variances k2 des modes correspondants.
De meme,

2
AT AW = WXT XWT W = Wdiag 12 , 22 , , M
(3.83)
Les facteurs temporels sont donc les vecteurs propres de la matrice AT A. Les deux
matrices AT A et AAT sont symetrique et semi-definies positives. Elles partagent les
memes valeurs propres non nulles k2 .
En general, on numerote les EOF par valeur decroissante de la variance k2 . La
première EOF represente donc le signal le plus e nergetique. La seconde EOF, represente le
mode orthogonal au premier et decrivant la plus grande partie de la variance restante. . . La
somme des valeurs propres k2 est e gale a` la variance totale des donnees initiales.
En pratique, lidentification des EOF est generalement realisee en sappuyant sur la
decomposition en valeurs singulières de la matrice A. On montre, en effet, que toute
matrice reelle A de dimensions M N peut e tre decomposee en un produit
A = UDVT
68
(3.84)
où U et V sont des matrices orthogonales (UT U = I, VT U = I) respectivement dordre M

et N et où D est une matrice de dimensions M N dont tous les e lements sont nuls a`
lexception des e lements Dkk = k où k > 0 sont appeles les valeurs singulières de A.
Les colonnes des matrices U et V sont, respectivement, les vecteurs propres orthonormes
de AAT et AT A relatifs aux valeurs propres non nulles k2 qui sont communes aux deux
matrices. En comparant (3.84) a` (3.78), on constate que les matrices X et W recherchees
concident avec les matrices U et VDT fournies par la decomposition en valeurs singulières
de la matrice A.
Pour illustrer la capacite de lanalyse EOF a filtrer les donnees bruitees, considerons
le champ du type
C(t, x, y) = 7A(t) cos
2y
4x
4y
2x
cos
+ 1B(t) cos
cos
+ 0.5(t, x, y)
Lx
Ly
Lx
Ly
(3.85)
où A, B et designent des variables aleatoires issues dune distribution normale de

moyenne nulle et de variance unitaire. En chaque temps intermediaire, le champ total est
la composition de deux distributions de base et dun bruit aleatoire. La figure 3.6 montre
une vue particulière de ce champ en un instant particulier.
Lapplication de lanalyse EOF permet de retrouver les distributions de base
cos
2x
2y
cos
Lx
Ly
(3.86)
cos
4x
4y
cos
Lx
Ly
(3.87)
et
comme première et deuxième EOF (Figure 3.7). La troisième EOF ne presente aucune
structure particulière : elle correspond au bruit inclus dans (3.85). Remarquons que,
puisque les EOF sont normalisees selon(3.76), les valeurs absolues des EOF nont aucune
signification physique.
69
10
15
20
25
30
35
40
45
50
10
20
30
40
50
60
70
80
90
F IG . 3.6 Vue du champ (3.85) en un instant particulier.
Les calcul des carres des valeurs singulières (elements diagonaux non nuls de D)
permet de determiner la variance expliquee par chacun des modes. Dans le cas e tudie,
les deux premiers modes suffisent a` decrire le champ initial (Fig. 3.8).
On peut donc e liminer le bruit du champ initial en recombinant les deux premières
EOF. Le resultat de cette operation, presente a` la figure 3.9, peut e tre compare a` la figure
initiale (Fig. 3.6).
Dans lexemple traite, les fonctions (3.86) et (3.87) utilisees pour construire le champ
(3.85) sont orthogonales. Lanalyse par EOF permet donc de les retrouver telles quelles.
Dans le cas general, lanalyse EOF tente de construire le champ comme la superposition
de modes orthogonaux, meme si celui-ci pourrait e tre represente de facon plus compacte
par des modes non orthogonaux. Dans ce cas, les modes non orthogonaux sont repartis
dans les EOF successives et peuvent ne pas sidentifier a` une EOF precise. Si ceci a`
pour effet de repartir la variance totale en un plus grand nombre de modes, le champ
reste cependant generalement decrit par un nombre limite dEOF : les valeurs singulières
decroissant rapidement avec le numero des EOF.
70
10
15
20
25
30
35
40
45
50
10
20
30
40
50
60
70
80
90
10
20
30
40
50
60
70
80
90
10
20
30
40
50
60
70
80
90
10
15
20
25
30
35
40
45
50
10
15
20
25
30
35
40
45
50
F IG . 3.7 EOF n 1, 2 et 3 du champ (3.85)
71
3.5
x 10
Variance explique
2.5
1.5
0.5
6
7
Numro dEOF
10
11
12
F IG . 3.8 Variance expliquee par les premières EOF.
10
15
20
25
30
35
40
45
50
10
20
30
40
50
60
70
80
90
F IG . 3.9 Reconstruction du champ de la figure 3.6 a` partir des deux premières EOF.
72
Chapitre 4
Analyse de series temporelles
Les methodes modernes dobservation et denregistrement de donnees fournissent de
longues series temporelles. Lun des buts de lanalyse de ces donnees est generalement
de mettre en e vidence la variabilite ou la structure sous-jacente pour mieux comprendre
les phenomènes impliques. Lexperimentateur pourra ainsi sattacher a` identifier les
frequences dominantes et a separer le signal principal des fluctuations associees au bruit
ou aux erreurs de mesure.
Les techniques utilisees reposent generalement sur lhypothèse dergodicite, i.e. on
suppose que les proprietes statistiques des series temporelles sont independantes du
temps. Dans ce cas, les moyennes temporelles des donnees sont e quivalentes a` des
moyennes densemble et peuvent e tre rattachees aux methodes statistiques standard.
4.1 Concepts de base.

Considerons une serie de N valeurs {y1 , y2 , . . . , yn } mesurees aux temps (discrets)
{t1 ,t2, . . . ,tn}. On supposera ici que les instants successifs sont separes dun pas t
constant. Pour caracteriser cette serie, on peut commencer par calculer
la moyenne , donnee par
1 N
= yi
(4.1)
N i=1
la variance 2 , donnee par1
2 =
2
1 N
yi
N i=1
1 On notera que la variance est ici calcul

ee en divisant par N
(4.2)
la somme des carres des e carts a` la moyenne.

Cette expression est applicable lorsque la moyenne est connue independamment des donnees de la serie
dont on calcule la variance. En general, lorsque la moyenne et la variance sont estimees a` partir des memes
donnees, un facteur 1/(N 1) plutot que 1/N est introduit dans le calcul de la variance pour obtenir un
meilleur estimateur. Dans le contexte de la presente analyse, il importe cependant de sen tenir a` la definition
(4.2).
73
La racine carree de la variance est le cart-type.

Pour caracteriser le degre de stabilite temporelle du signal decrit par la serie de
donnees, on peut comparer les valeurs prises en des instants successifs t1 = t et t2 = t +
pour differentes valeurs du decalage temporel . La comparaison correspondante des
donnees brutes conduit a` la definition de la fonction dauto-correlation
Ryy () =
1 Nk
yiyi+k
N k i=1
(4.3)
où = kt (k = 0, 1, . . ., M). Comme on le voit, ce calcul fait intervenir un nombre

dautant plus restreint de termes que k est grand. Pour que la somme (4.3) conserve son
sens statistique, il convient de prendre M N.
Un calcul semblable peut e tre mene a` partir de la serie de donnees dont on a
prealablement soustrait la moyenne. On definit ainsi la fonction dauto-covariance
1 Nk
Cyy () =
(yi )(yi+k )
N k i=1
(4.4)
Pour un decalage = 0, on calcule aisement

Cyy (0) = 2 = Ryy (0) 2
(4.5)
Une division de lauto-covariance par la variance conduit alors naturellement a` la

definition de la fonction dauto-covariance normalisee
yy () =
Cyy ()
2
(4.6)
Par construction, on a |yy()| 1 pour tout et yy (0) = 1.

Les fonctions dauto-correlation et auto-covariance permettent de quantifier le degre
de stabilite, ou au contraire de variabilite, dun signal. En effet, une valeur e levee, i.e.
proche de lunite, de la fonction dauto-covariance normalisee pour un delai donne,
indique que le signal ne change pas fondamentalement entre deux instants separes de
ou, plus generalement, que lobservation des valeurs prises en un instant t permet une
bonne prevision des valeurs en t + . Pour caracteriser lechelle de temps de cette autocorrelation, on pourra des lors utiliser le temps caracteristique integral
N
N
T =
[yy(i) + yy(i+1)] = 22 [Cyy(i) +Cyy (i+1)]
2 i=0
i=0
(4.7)
où N N 1 est tel que la somme dans (6.39) converge vers une valeur constante.
Si la somme ne se stabilise pas, on en conclut que la serie ne possède pas de temps
caracteristique integral ou on limite la somme jusquà la première annulation de la
fonction dauto-correlation.
74
Lorsquil existe, le temps caracteristique T est tel que les donnees peuvent e tre
considerees comme non correlees pour des e carts superieurs a` T . Dès lors, le nombre
de degres de liberte de la serie est approximativement donne par Nt/T .
` titre dexemple, considerons dabord une serie temporelle (t) purement aleatoire
A
(bruit blanc) dont les valeurs sont choisies selon une loi de probabilite normale (de
moyenne 0 et de variance 02 ) et dont les valeurs successives sont independantes. La
moyenne et la variance de la serie temporelle sont alors e gales a` celles de la loi de
probabilite dont sont issues les valeurs de la serie. De plus, on a
(
02
pour = 0
R () = 02 () =
(4.8)
0
sinon.
Lannulation de la fonction dauto-correlation pour tout delai non nul montre bien
lindependance des valeurs successives.
Considerons maintenant le signal purement periodique decrit par
yi = A sin
2it
,
T
(i = 1, 2, . . .)
où la periode T /t est entier. La moyenne du signal e tant nulle, les fonctions dautocorrelation et dauto-covariance sont e gales. On calcule successivement
2 =
1
2
et
2
T
de sorte que la fonction dauto-correlation normalisee presente la meme periodicite que
la serie originelle. Elle indique bien que les enregistrement separes dun nombre entier de
periodes sont parfaitement correles alors quun valeur ( = 1) caracterise lopposition
de phase pour un decalage temporelle dune demi-periode.
() = cos
4.2 Series de Fourier.

Lun des buts de lanalyse des series temporelles est de mettre en e vidence les periodes
caracteristiques contenues dans le signal e tudie. La resolution de ces questions trouve son
origine dans la theorie des series et des transformations de Fourier que nous allons donc
effleurer ici.
Les concepts fondamentaux et toutes leurs extensions sont contenues dans le resultat
de base qui dit que toute fonction periodique suffisamment regulière2 peut e tre represente
comme une serie, i.e. une somme infinie, de fonctions sinus et cosinus dont les periodes
2 Il suffit que la fonction et sa d
erivees soient continues par morceaux. Ces conditions sont connues sous
le nom de conditions de Dirichlet.
75
sont les sous-multiples de la periode T du signal periodique global. Mathematiquement,

si le signal f (t) presente une periode T , on aura

a0
2kt
2kt
f (t) = + ak cos
+ bk sin
(4.9)
2 k=1
T
T
où les coefficients a0 , ak et bk sont les coefficients de Fourier de f . La decomposition
du signal en ses composantes harmoniques e lementaires (4.9) trouve son e cho e galement
dans la relation de Parseval
Z
a2 1
1 t0 +T
| f (t)|2dt = 0 + (a2k + b2k )
(4.10)
T t0
4 2 k=1
Quand on sait que le carre dun signal est generalement considere comme representatif de
lenergie contenue dans celui-ci, la relation de Parseval (4.10) signifie donc que lenergie
totale (la moyenne de cette e nergie sur une periode) peut e tre calculee simplement
comme la somme des e nergies des composantes harmoniques e lementaires considerees
separement.
La relation de Parseval resulte de lindependance relative des composantes
harmoniques en lesquelles le signal de depart a e te decompose. Mathematiquement, cette
independance temoigne de lorthogonalite entre les fonctions sinus et cosinus considerees,
i.e.

Z
1 t0 +T
2kt
2t
sin
cos
dt = 0
k,
(4.11)
T t0
T
T
1 si k = = 0

Z
1 t0 +T
2kt
2t
1
cos
cos
dt = 0 =
(4.12)
si k = > 0
T t0
T
T
2
0 si k 6=
0 si k = = 0

Z
1 t0 +T
2kt
2t
1
sin
sin
dt = 0 =
(4.13)
si k = > 0
T t0
T
T
2
0 si k 6=
Les coefficients de Fourier dune fonction suffisamment regulière peuvent e tre

calcules en se basant sur ces relations dorthogonalite. Par exemple, en multipliant les
deux membre de (4.9) par sin(2/T ) et en integrant sur une periode, il vient, en utilisant
(4.11)-(4.13),

Z t0 +T
Z
2t
a0 t0 +T
2t
f (t) sin
dt =
sin
dt
T
2 t0
T
t0

Z t0 +T
2kt
2t
+ ak
cos
sin
dt
T
T
t0
k=1
(4.14)

Z t0 +T
2t
2kt
+ bk
sin
sin
dt
T
T
t0
k=1
T
= b
2
76
En utilisant cette procedure, on obtient donc les coefficients

Z
2 t0 +T
2kt
ak =
f (t) cos
dt
T t0
T

Z
2kt
2 t0 +T
bk =
f (t) sin
dt
T t0
T
(4.15)
E XEMPLE 4.1 Developpons en serie de Fourier la fonction periodique f telle que f (t) = 2|t|/T
pour t [T /2, T /2] (qui prend donc la valeur 1 pour t = T /2) et qui se prolonge en une
fonction de periode T .
En appliquant les formules (4.15), on montre aisement que les coefficients bk sont tous nuls et
que les coefficients ak sont donnes par
2 T /2
8 T /2
f (t)dt = 2
tdt = 1
T T /2
T 0

Z
Z
2 T /2
2kt
8 T /2
2kt
ak =
f (t) cos
dt = 2
t cos
dt
T T /2
T
T 0
T
0
si k est pair,
2
= 2 2 (1 (1)k ) =
4
k
si k est impair.
2 k 2
a0 =
Dès lors,
f (t) =
1
4
cos(2k + 1)t
2
2 k=0 (2k + 1)2
où = 2/T est la pulsation fondamentale. On constate sur la figure 4.1 que le signal de depart est
de mieux en mieux approche a` mesure que lon augmente le nombre de composantes harmoniques.
77
0.8
0.6
0.4
0.2
-0.6
-0.4
-0.2
0.2
0.4
0.6
F IG . 4.1 Reconstruction dun signal periodique par composition de composantes

e lementaires avec 1, 2 et 10 composantes de Fourier.
Remarquons que la serie obtenue ne contient que des fonctions cosinus. Cest une consequence
de la parite de la fonction f . Inversement, la serie de Fourier representant une fonction impaire ne
comporte que des composantes en sinus, des signaux e lementaires impairs.
4.3 Transformee de Fourier.

La representation dun signal periodique par le biais dun serie de Fourier met en
e vidence la possibilite de caracteriser le signal par les amplitudes des harmoniques qui
interviennent dans sa construction. Dans le cas dun signal periodique, les pulsations (par
abus de language, on parlera souvent des frequences) qui interviennent sont
0,
2
,
T
4
,
T
6
,
T
8
,
T
Il sagit donc dun ensemble discret, mais infini, de pulsations separees de = 2/T .
Interpretant une fonction quelconque, non periodique, comme une fonction periodique
dont la periode tendrait vers linfini, la representation en serie de Fourier correspondante
est caracterise par une infinite de frequences dont le saut tend vers zero. En dautres
termes, la somme (infinie) representant la serie de Fourier se transforme en une integrale
sur un spectre continu de frequences. Ceci conduit donc a` la definition de la transformee
78
de Fourier f() dune fonction f (t) quelconque par3

1
f() =
2
f (t) eit dt
(4.16)
1
f (t) =
2
f() eit d
(4.17)
et la transformee inverse par
Si on se souvient que lexponentielle imaginaire est donnee par

eit = cos t + i sin t
(4.18)
on remarque que la transformee de Fourier f() joue un role analogue aux coefficients de
Fourier dans la representation (4.17) du signal puisquelle pondère linfluence de chaque
composante e lementaire de pulsation dans le signal total. Le calcul de la transformee
de Fourier est e galement semblable a` celui des coefficients de Fourier (4.15) puisque la
transformee est obtenue en integrant le produit du signal de depart et les fonctions de
bases sin t et cos t combinees en une exponentielle imaginaire
eit = cos t i sin t
(4.19)
On sera attentif au fait que la transformee de Fourier definie par (4.16) est, en general,
complexe. Si, comme cest generalement le cas, la fonction f (t) est reelle, alors
f() = f()
(4.20)
où designe le complexe conjugue dun nombre complexe. En combinant les

contributions des pulsations et dans (4.17), on trouve
f() eit + f() eit = f() eit + f() eit

= 2 f() eit = 2[ f()] cost 2[ f()] sint
(4.21)
= 2| f()| cos(t + )
où , et | | designent respectivement la partie reelle, la partie imaginaire et le module

dun nombre complexe et où = arg( f()) est largument de f(). Injectant cette
expression dans (4.17), le signal de depart peut donc secrire sous la forme
r Z
2
f (t) =
| f ()| cos(t + arg f())d
(4.22)
0
facteur 1/ 2 introduit dans les definitions de la transformee de Fourier et de son inverse relève
dun choix particulier qui permet de maintenir une symetrie entre les deux expressions. Certains auteurs
introduisent des facteurs differents dans les definitions de la transformee et de son inverse. Le produit de
ces facteurs doit cependant e tre e gal a` 1/(2).
3 Le
79
On en deduit que le module de la transformee de Fourier f() mesure lamplitude

des signaux harmoniques e lementaires alors que son argument decrit leurs dephasages
respectifs.
La relation de Parseval (4.10) peut e galement e tre e tendue au cas des fonctions non
periodiques qui admettent une transformee de Fourier. On a, cette fois
Z
| f (t)| dt =
| f()|2d
(4.23)
qui indique que lenergie du système peut indifferemment e tre e valuee a` partir du signal
dans le domaine temporel ou a` partir de sa transformee de Fourier, dans le domaine
frequentiel. La quantite | f()|2 decrit donc le spectre denergie du système e tudie
et permet didentifier les frequences dominantes dans le signal e tudiee. Dans le cas
particulier dun signal periodique purement harmonique de pulsation , la transformee
de Fourier est identiquement nulle sauf en où elle presente deux pulses (impulsions
de Dirac).
4.4 Transformee de Fourier discrète.

Dans le cadre experimental habituel, les donnees a` traiter ne sont pas representees sous
la forme de fonctions continues mais sous celle dun ensemble fini de donnees discrètes
que nous supposerons espacees dun intervalle t constant. Les concepts introduits dans
les sections precedentes doivent donc e tre generalisee a` cette situation pratique.
Soit x0 , x1 , . . . , xN1 les donnees a` analyser. On appelle transformee de Fourier
Discrète (en anglais DFT) la suite des nombres (complexes) X0 , X1 , . . ., XN1 donnee par
2i
kj
1 N1
Xk = x j e N ,
N j=0
k = 0, 1, . . ., N 1
(4.24)
La transformee de Fourier discrète inverse (en anglais IDFT) est quant-à-elle definie4 par
2i
kj
1 N1
x j = Xk e N ,
N k=0
j = 0, 1, . . ., N 1
(4.25)
On remarquera le parallelisme parfait entre ces formules et les expressions (4.16) et

(4.17) correspondant au cas continu. En particulier, (4.25) montre que la serie de donnees
experimentales peut secrire comme la somme dune composante constante (pour k = 0)
et dexponentielles imaginaires, cest-à-dire de signaux harmoniques, dont les pulsations
sont des multiples de la pulsation 2/N correspondant a` la longueur totale du signal. Les
encore les facteurs 1/ N introduits relèvent dun choix particulier induisant des expressions
symetriques des deux transformees. Des facteurs differents peuvent e tre introduits dans les expression de la
transformee discrète et de son inverse. Il importe seulement que le produit de ces facteurs soit e gal a` 1/N.
4 Ici
80
nombres complexes Xk representent lamplitude et la phase des differentes composantes

harmoniques.
La suite des donnees et sa transformee de Fourier discrète contiennent la meme
information ; elles sont toutes caracterisees par la donnee de N nombres correspondant,
aux valeurs instantanees en des instants differents dans le cas de serie initiale (domaine
temporel), ou aux amplitude des composantes harmoniques dans le cas de la transformee
de Fourier discrète (dans le domaine frequentiel). Dans le cas le plus frequent où les
donnees initiales sont reelles, on a
Xk = XNk
(4.26)
où la barre indique le nombre complexe conjugue. Dans ce cas, la moitie des coefficients
de la transformee de Fourier suffit a` decrire complètement celle-ci. Plus precisement, si
le nombre de donnees N est pair5 , les coefficients X0 et XN/2 sont reels et les coefficients
X1 , X2 , . . . , XN/2 permettent a` eux-seuls de representer les donnees sous la forme dune
somme de fonctions sinus et cosinus.
Le coefficient X0 represente alors la composante
constante du signal (au facteur N près) tandis que les autres coefficients de Fourier
caracterisent limportance des differentes composantes harmoniques de pulsations
1 =
2
,
Nt
k = k1
k = 1, 2, . . ., N/2
(4.27)
Les donnees initiales x j peuvent e tre considerees comme provenant de lechantillonnage

aux instants t j = jt ( j = 0, 1, . . ., N 1) du signal continu x(t) tel que
"
#
N/21
1
N1t
x(t) =
X0 + 2 |Xk | cos(k1t + k ) + XN/2 cos
(4.28)
2
N
k=1
où k = arg Xk .
Lecriture (4.28) fait clairement apparatre linfluence des paramètres critiques que
sont la longueur totale de la serie de donnees et lintervalle dechantillonnage.
Le dernier terme de (4.28) correspond a` la plus haute frequence pouvant e tre decrite
par un e chantillonnage a` un intervalle de temps t. La frequence correspondante est
appelee la frequence de Nyquist
fc =
1
,
2t
c = 2 fc =
.
t
(4.29)
Elle correspond a` des oscillations de periode 2t. Lintervalle de temps entre deux
donnees successives determine dont la plus grande frequence accessible a` lanalyse.
La pulsation fondamentale 1 correspond a` des signaux dont la periode est e gale a` la
duree totale de la serie de mesures. Cette pulsation fondamentale correspond e galement
5 En
pratique, la transformee de Fourier discrète peut e tre e valuee très efficacement par lalgorithme de
la Transformee de Fourier Rapide (FFT). Cette methode nest applicable que si le nombre de donnees est
une puissance de 2. Le nombre de donnees analysees sera donc bien generalement pair.
81
a` la resolution = 2/(Nt) dans le domaine frequentiel. Des lors, si on augmente la

longueur de lenregistrement, sans changer le t, on obtiendra une resolution plus grande
dans le domaine frequentiel et on pourra distinguer entre-elles des composantes dont les
pulsations sont plus proches lune de lautre.
La relation de Parseval se generalise e galement sans problème. Elle prend ici la forme
1 N1
1 N1
|x j |2 = |Xk |2
N j=0
N k=0
(4.30)
Dans le cas habituel de donnees reelles decrites par un nombre pair de donnees, on peut
e galement e crire
"
#
N/21
1 N1 2
1
|x j | =
|X0|2 + 2 |Xk |2 + |XN/2 |2
(4.31)
N j=0
N
k=1
où les differents termes de la somme sont representatifs de lenergie contenue dans
les differents modes. En realite, cette e nergie est caracteristique des processus dont la
pulsation est comprise dans une bande de largeur autour de la pulsation nominale k .
Dès lors, il est dusage de normaliser ces coefficients et de definir la densite spectrale en
divisant par ,
2|Xk |2
S(k ) =
,
k = 1, 2, . . .
(4.32)
` titre dexemple, considerons les donnees representees a` la figure 4.2 obtenues

E XEMPLE 4.2 A
en e chantillonnant un signal inconnu en N = 32 instants successifs separes de temps t = 0.375s.
La duree totale de lenregistrement est donc de T = 12 s.
2
10
15
20
25
30
-1
-2
F IG . 4.2 Donnees mesurees

Lapplication de la procedure decrite ci-dessus permet de calculer la transformee de Fourier
discrète dont les modules des N/2 premiers termes sont representes a` la figure 4.2.
82
5.00
1.00
0.50
0.10
0.05
10
15
F IG . 4.3 Module des coefficients de Fourier de la serie representee a` la figure 4.2

(echelle logarithmique).
La figure 4.2 fait clairement apparatre que la transformee de Fourier discrète ne comporte que
4 termes significatifs correspondant a` X1 , X3 , X7 et X8 . On en deduit que le signal est domine par
les composantes harmoniques dont les periodes sont donnees par
T1 = T = 12 s,
T3 = 4 s,
T7 = 12/7 s,
T8 = 12/8 s
La presence de termes significatifs de frequences proches comme T7 et T8 suggère lexistence

dune composante de frequence intermediaire a` celles de T7 et T8 qui ne peut e tre correctement
decrite par lechantillonnage disponible. En realite, les donnees representees a` la figure 4.2 ont e te
obtenues en e chantillonnant le signal
y(t) = 1.6 sin
2t
2t
2t
0.85 sin
+ 0.15 sin
12
4
1.6
` levidence, les composantes de periode 12 et 4 secondes sont parfaitement captees par lanalyse,
A
a` linverse de la composante de periode 1.6 secondes. Cette dernière est donc artificiellement
repartie sur les periodes de bases comprises dans lanalyse discrète de Fourier. Un signal de
periode T = 1.5 s aurait par contre e te decrit parfaitement puisquil correspondrait a` la composante
k = 12/1.5 + 1 = 9.
4.5 Filtrage.
4.5.1 Principe general.
Très souvent les series temporelles obtenues experimentalement presentent des
variations rapides et apparemment erratiques qui masquent ou obscurcissent le signal
principal que lon souhaite e tudier. Ainsi, des variations journalières se superposent
83
au signal saisonnier dans lenregistrement de linsolation en un point. De meme, les

mesures courantometriques ne fourniront pas une image claire des oscillations de maree
mais seront perturbees par des variations a` plus haute frequence induites par les coups
de vents successifs, les vagues et la houle. Dans ce contexte, le but du filtrage est
de purifier lenregistrement experimental en mettant en e vidence le signal utile et en
e liminant les variations aux hautes frequences qui sont dès lors considerees comme un
bruit de fond indesirable. Remarquons que linterpretation dune serie temporelle comme
la superposition du signal et du bruit nest pas intrinsèque mais depend du but poursuivi
par letude, des processus qui sont e tudies, des e chelles de temps considerees comme
utiles.
Lutilisation de la moyenne glissante comme methode de filtrage a dejà e te brièvement
e voquee dans le premier chapitre. Plus generalement, on peut caracteriser le processus de
filtrage (lineaire) par
Z
fw (t) =
f (t )w()d
(4.33)
où f () designe le signal brut, fw () est le signal filtre et w() est une fonction caracterisant
le filtrage. Cette fonction w() introduit une ponderation des valeurs prise le signal brut
pour le calcul du signal filtre. On verifie par exemple que le choix
T
1
si || <
2
w() = T
(4.34)
0
sinon
conduit au calcul dune moyenne glissante sur la periode T .

En sappuyant sur lexemple simple de la moyenne glissante, on peut aisement
determiner quelques proprietes de la fonction w permettant de definir un filtrage
approprie.
Tout dabord, afin deviter que le filtrage dun signal brut positif ne donne naissance
a` des valeurs negative du signal extrait, on exigera generalement que la fonction w soit
positive. On pourra e galement exiger que la fonction w() soit a` support fini, i.e. que celleci sannule en-dehors dun intervalle borne. Ceci assure quun e venement quelconque
present dans le signal brut ninfluence le signal filtre que pendant un laps de temps fini.
Ensuite, pour que le filtrage par (4.33) corresponde au calcul dune moyenne ponderee
du signal brut, il importe que la somme des poids representes par la fonction w() soit
e gale a` 1, soit
Z
w()d = 1
(4.35)
Cette condition peut aussi e tre obtenue en considerant le cas (très) particulier dun signal
brut constant. Dans ce cas, (4.33) devrait fournir un signal filtre rigoureusement identique
au signal de depart. La condition (4.35) garantit quil en soit bien ainsi. On verifie que
la fonction de poids (4.34) definissant la moyenne glissante respecte bien la condition
(4.35).
84
En general, on exigera e galement que w() soit une fonction paire de son argument,
i.e.
w() = w()
(4.36)
Cette condition permet deviter que lapplication du filtre ninduise un dephasage du

signal original. Pour sen rendre compte, considerons un signal brut harmonique de la
forme
f (t) = A cos(t + )
(4.37)
Il vient
fw (t) = A

cos (t ) + w()d
= A cos(t + )
w() cos d + A sin(t + )
(4.38)
w() sin d
ce qui montre que le signal voit en general non seulement son amplitude modifiee par
le filtrage mais e galement dephase. La condition de symetrie (4.36) permet par contre
dassurer lannulation de la seconde integrale de sorte que
fw (t) = A cos(t + )
w() cos d
(4.39)
Leffet du filtre sur un signal harmonique se resume donc a` une modification de

lamplitude selon un rapport
h() =
w() cos d
(4.40)
qui depend de la pulsation du signal initial. Puisquun signal quelconque peut e tre exprime
comme la superposition dune infinite de signaux harmoniques par le biais dune integrale
de Fourier, leffet du filtre peut e tre entièrement decrit par la donnee de la fonction h()
qui est appele le gain du filtre.
Dans le cas de la moyenne glissante, on calcule aisement
1
h() =
T
Z T /2
T /2
cos d =
2
T
sin
T
2
(4.41)
dont lallure est representee a` la figure 4.5.1. On remarque que le gain est proche de
lunite pour les plus basses frequences ; celles-ci sont donc peut affectees par le filtre. Par
contre, les frequences les plus e levees sont fortement absorbees par le filtre. Le signal
filtre est donc partiellement debarrasse de ces oscillations rapides. La principale critique
qui puisse e tre formulee au filtre ainsi realise tient a` lexistence doscillations du gain
aux plus hautes frequences. Celles-ci introduisent une selectivite non monotone telle que
les plus hautes frequences ne sont pas necessairement amorties plus e nergiquement que
certaines frequences plus basses.
85
h()
1
T
2
F IG . 4.4 Gain du filtre constitue par une moyenne glissante de periode T .
4.5.2 Cas discret.

Les series temporelles dont on dispose sont generalement discrètes, i.e. constituees
dune liste de valeurs correspondant a` des mesures supposees ici effectuees a` intervalles
reguliers. Bien que le formalisme continu adopte dans la section precedente nest plus
applicable, les principes sont cependant aisement transposables.
Notons x j ( j = 1, 2, . . .) la suites des mesures effectuees aux temps t j = t0 + jt. Par
analogie avec (4.33), le signal filtre sera desormais obtenu par
N
fj =
wk x j+k
(4.42)
k=N
où wk (k = N, . . . , N) designe les poids du filtre, suppose a` support fini. Un tel filtre
comportant = 2N + 1 poids est dit de longueur . Lexpression (4.42), avec la condition
N
wk = 1
(4.43)
k=N
correspondant a` (4.35) permet une fois encore dinterpreter le filtrage comme le calcul
dune moyenne ponderee des valeurs successives de la serie temporelle où la valeur f j est
obtenue a` partir des valeurs x jN , x jN+1 , . . ., x j1 , x j , x j+1 , . . . x j+N .
Conformement a` (4.36), on choisira generalement des poids symetrique, i.e. tels que
wk = wk ,
k = 1, . . ., N
(4.44)
de facon a` ne pas introduire de dephasage par application du filtre. Pour un tel filtre, la
fonction de reponse frequentielle est donnee par
N
h() = w0 + 2 wk cos(kt)
(4.45)
k=1
Dans le cas discret, la moyenne glissante est calculee par le biais dun filtre symetrique
de longueur = 2N + 1 dont tous les poids sont e gaux, i.e.
wN = wN+1 = = w1 = w0 = w1 = = wN1 = wN =
86
(4.46)
La reponse frequentielle du filtre est unitaire pour = 0 (signal constant) et decrot pour
des pulsations/frequences plus grandes. La reponse est nulle pour = T = 2/(t),
i.e. pour une longueur donde correspondant a` la longueur du filtre. Ainsi donc, une
moyenne glissante calculee sur une periode T = t annule exactement la composante
du signal a` cette periode et presente une reponse croissante pour des composantes de plus
grande periode. Remarquons que la plus petite periode pouvant e tre captee avec un pas
dechantillonnage t est 2t. La reponse frequentielle ne doit donc e tre e tudiee que dans
lintervalle [0, /t].
1
0.8
0.6
0.4
0.2
0.5
1.5
2.5
-0.2
F IG . 4.5 Reponse frequentielle de la moyenne glissante discrète en fonction de t

(Cas particulier N = 5).
Un tel filtre a e videmment lavantage de la simplicite. Cependant, il souffre du

meme problème que sa version continue. Pour des signaux de periode plus courte que la
periode T de calcul de la moyenne, i.e. pour des pulsations superieures a` T , la reponse
frequentielle oscille autour dune valeur nulle, ce qui peut compliquer linterpretation de
fluctuations dans la serie filtree.
4.5.3 Filtres binomial et gaussien

Pour e liminer efficacement les fluctuations aux hautes frequences, un filtre devrait
idealement presente une reponse frequentielle proche de lunite aux basses frequences,
decroissant vers zero a` une certaine frequence de coupure et rester approximativement
nulle aux frequences plus e levees. Cette propriete peut e tre obtenue en utilisant des poids
dont la valeur decrot progressivement a` partir du poids central w0 . Les filtres binomial et
gaussien possèdent cette propriete.
Les poids du filtre binomial sont choisis proportionnellement aux coefficients
binomiaux. Pour un filtre de longueur = 2N + 1, on a
wk =
1
(2N)!
,
2N
2 (N k)!(N + k)!
k = N, N + 1, . . . , 1, 0, 1, . . ., N
87
(4.47)
Pour realiser un filtre binomial avec une reponse frequentielle de 0.50 a` une periode
T donnee, on choisit N comme lentier le plus proche de
(T /t)2/12
(4.48)
Ainsi, pour filtrer une serie de mesures annuelles avec un amortissement de 50 % de la

reponse a` 10 ans, on choisira N = 6. Les coefficients correspondants sont donc donnes
par
0.00024411
0.00292969
0.0161133
0.0537109
0.12085
0.193359
0.225586
0.193359
0.12085
0.0537109
0.0161133
0.00292969
0.00024411
Pour e viter davoir a` tenir compte de poids trop petits, on peut negliger ceux dont la
valeur est inferieure a` , par exemple, 5 % du poids central. Il importe cependant alors de
renormaliser les poids (en divisant par la somme des poids significatifs retenus) pour que
leur somme soit e gale a` 1. Dans le cas precedent, on peut ainsi se ramener a` une filtre de
longueur 9 defini par
0.0162 0.0541 0.1216 0.1946 0.2270 0.1946 0.1216 0.0541 0.0162
(4.49)
Lorsque la longueur du filtre binomial devient importante, les poids presentent une
distribution proche de celle dune gaussienne. Un filtre aux proprietes semblables a` celles
du filtre bionomial peut donc e tre obtenu en determinant les poids directement comme les
ordonnees dune distribution normale soit
2 2
1
k t
wk = exp
k = N, N + 1, . . ., 1, 0, 1, . . ., N
(4.50)
2 2
2
Lecart-type de la distribution normale permettant un amortissement de 50 % pour une
periode T est donne par
T
=
(4.51)
6
Ici encore, afin deviter de travailler avec un filtre trop long et des poids trop petits, on
exclut les poids dont la valeur est inferieure a` 5% du poids maximum et on renormalise les
poids pour que leur somme soit e gale a` 1. Ainsi, dans le cas e voque plus haut du filtrage
dune serie de mesures annuelles avec un amortissement de 50 % de la reponse a` 10 ans,
on prendra = 1.666 annees et les poids sont donnes par (en se limitant provisoirement
a` un filtre de longueur 13 comme precedemment)
0.000367141
0.00265911
0.0134367
0.0473701
0.116512
0.199935
0.239365
0.199935
0.116512
0.0473701
0.0134367
88
0.00265911
0.000367141
En se limitant aux poids les plus significatifs, en renormalisant les poids et en arrondissant,
on obtient
0.0135 0.0477 0.1172 0.2012 0.2408 0.2012 0.1172
0.0477
0.0135
(4.52)
La figure 4.6 compare les reponses frequentielles des filtres binomial et gaussien
correspondant au cas particuliers (4.49) et (4.52). On remarque que la reponse est
effectivement de (approximativement) 50 % pour une pulsation t = 2/10 0.63.
1
0.8
0.6
0.4
0.2
0.5
1.5
2.5
F IG . 4.6 Reponse frequentielle des filtres binomial (en rouge) et gaussien (en vert) en
fonction de t dans le cas du filtrage de valeurs annuelles avec une amortissement a`
50 % de la composante de periode e gale a` 10 ans (Cas particulier (4.49) et (4.52)).
4.5.4 Fenetre de Hamming

Comme le montre la figure 4.6, les filtres binomial et gaussien presentent bien la
caracteristique recherchee de decroissance de la reponse en fonction de la frequence
et absorbent quasi complètement les signaux aux hautes frequences. Ces filtres sont
cependant perfectibles puisquils affectent de facon progressive les signaux de frequences
moyennes. Un filtre ideal devrait avoir une reponse frequentielle unitaire pour tous les
signaux de frequence inferieure a` une certaine frequence de coupure et rigoureusement
nulle pour toutes les composantes de frequence superieure. Theoriquement, un tel
filtre peut e tre obtenu en decomposant formellement le signal brut en ses differentes
composantes de Fourier et en supprimant celles dont la frequence est superieure a` la
frequence de coupure choisie.
Cette procedure peut e tre formalisee a` partir du concept de transformee de Fourier
et de lexpression generale (4.33) du filtrage. En termes mathematiques, on dit que le
signal filtre obtenu par (4.33) est la convolution du signal original f (t) avec le filtre w(t).
89
Calculons maintenant la transformee de Fourier du signal filtre fw . On a

Z Z
1
fw () =
f (t )w()d eit dt
2

Z Z
1
it
f (t ) e
dt w()d
=
2
Si on pose t = t dans la seconde integrale, on obtient

Z Z
it
fw () = 1
f (t ) e
dt w() ei d
2
Z
Z
1
it
=
f (t ) e
dt
w() ei d
= 2 f()w()
(4.53)
(4.54)
Cette expression montre que la composante de pulsation dans le signal filtre est
simplement obtenue par multiplication de la composante de meme pulsation dans le
signal brut multipliee par la composante correspondante du filtre. Leffet du filtre w
sur un signal quelconque est donc parfaitement decrit dans le domaine
frequentiel par
la donnee de sa transformee de Fourier w qui apparat, au facteur 2 près, comme le

facteur damortissement dont est affectee chaque composante du signal.
La fonction w(t) correspondant a` une filtre ideal supprimant les composantes du signal
de frequence superieure a` une frequence de coupure c donnee est donc decrite par
(
1
si || < c
1
w ideal () =
(4.55)
si || c
2 0
et peut e tre formellement obtenue dans le domaine temporel en inversant la transformee
de Fourier par (4.17), soit
1
wideal (t) =
w ideal () eit d
2
Z
1 c it
=
e d
2 c
sin ct
=
t
(4.56)
La meme procedure peut e tre appliquee dans le cas discret. Celle-ci conduit a`
choisir les poids du filtre en e chantillonnant la distribution continue wideal (t) aux instants
correspondants aux points de support de la serie temporelle. On prendra donc
wideal,k = wideal (kt) =
sin c kt
,
kt
k = 0, 1, 2, . . .
(4.57)
Pratiquement, la construction dun filtre sur base de (4.56) ou (4.57) est cependant
irrealisable car w(t) na pas un support borne ; le signal filtre en un instant donne depend
90
theoriquement du signal a` tous les instants passes et ulterieurs. Pour obtenir un filtre
discret utilisable pratiquement, on peut decider de tronquer le filtre en ignorant les valeurs
de wideal,k pour des k trop grands, i.e. de restreindre les poids a` une certaine fenetre
choisie de facon appropriee. Ceci conduit malheureusement a` de nouvelles difficultes si
la largeur de la fenetre choisie est insuffisante et saccompagne de lannulation brutale
des poids du filtre. On preferera donc affecter les poids successifs du filtre ideal (4.57)
dun facteur decroissant au fur et a` mesure que lon secarte du poids central wideal,0 et
assurant lamortissement progressif de la suite des poids.
Pour generer un filtre discret de longueur = 2N + 1, la fenetre de Hamming definie
par
k
hk = 0.54 + 0.46 cos
k = 0, 1, . . . , N
(4.58)
N
est parmi les plus utilisees dans ce cadre. Dès que la longueur du filtre est choisie, les
poids reels sont donc calcules selon
wideal,k hk
k = 0, 1, . . . , N
(4.59)
puis normalises pour que leur somme soit e gale a` lunite. Le resultat est un filtre realisable
qui constitue la meilleure approximation du filtre ideal pour la longueur souhaitee. Plus
le filtre est long, plus le comportement reel est proche du comportement ideal.
Il faut noter que le filtre correspondant peut comporter des poids negatifs, ce qui peut
parfois e tre surprenant.
` titre dexemple, si on considère une serie de valeurs annuelles dont on desire
A
supprimer les composantes de periodes inferieure a` 10 ans au moyen dun filtre de
longueur 9, on calculera successivement
wideal,k =
2k
1
sin
,
k
10
hk = 0.54 + 0.46 cos

k
0
1
2
3
4
wideal,k
0.2
0.187
0.151
0.101
0.047
k
4
k = 0, 1, 2, . . .
k = 0, 1, . . ., 4
hk
wideal,k hk
1
0.2
0.865
0.162
0.54
0.082
0.215
0.022
0.08
0.004
(4.60)
(4.61)
wk
0.271
0.219
0.111
0.029
0.005
E XEMPLE 4.3 Considerons a` titre dexemple, la serie de donnees representee a` la figure 4.7. Cette
serie est composees de 128 valeurs e chantillonnees avec un t constant. Lanalyse de Fourier de
ces donnees revèle la presence de composantes dont les periodes sont approximativement e gales a`
20-30 t, 5 t et 3t.
91
Dans le but de supprimer les composantes dont les frequences sont e gales a` 3-5 t, on peut
appliquer une moyenne glissante calculee sur 9 valeurs6 . Cette procedure permet deliminer la
plus grande partie des oscillations aux hautes frequences. Le filtrage nest cependant pas parfait :
de petites fluctuations apparemment e trangères au signal principal sont toujours presentes (Figure
4.9).
4
20
40
60
80
100
120
-2
-4
F IG . 4.7 Serie de donnees brutes (longueur = 128)

6
Pratiquement, lapplication dun filtre discret de longueur = 2N + 1 nest possible en les N premiers et
N derniers instants que si on prolonge artificiellement la serie de donnees. Ceci peut e tre fait en remplacant
les donnees par leur moyenne ou en supposant que lenregistrement est periodique.
92
5.0
2.0
1.0
0.5
0.2
10
20
30
40
50
60
F IG . 4.8 Transformee de Fourier des donnees de la figure 4.7
20
40
60
80
100
120
-2
-4
F IG . 4.9 Moyenne glissante (largeur = 9) appliquee aux donnee de 4.7
Afin dobtenir un filtrage plus efficace des hautes frequences, on realise le filtrage par un filtre
gaussien et un filtre ideal avec une fenetre de Hamming de longueur 7. Dans les deux cas, la
periode de coupure est choisie e gale a` 10t. Les resultats obtenus avec des deux filtres sont très
semblables (Figure 4.10) et e liminent parfaitement les composantes non desirees.
93
20
40
60
80
100
120
-2
-4
F IG . 4.10 Filtrage gaussien (en rouge) et filtre ideal avec fenetre de Hamming (en
vert) appliques a` 4.7
Lefficacite du filtrage peut e tre examinee en calculant la transformee de Fourier discrète des
differents signaux filtres. On verifie sur la figure 4.11 que les filtres appliques induisent bien un
amortissement des signaux aux hautes frequences et affectent peu ceux de plus basses frequences.
Les filtres gaussien et ideal donnent des resultats pratiquement identiques. La figure confirme la
presence significative de signaux de hautes frequences dans la serie obtenue par application de la
moyenne glissante.
94
5.0
2.0
1.0
0.5
0.2
0.1
10
20
30
40
50
60
F IG . 4.11 Transformee de Fourier du signal brut (en bleu), de la moyenne glissante

(en jaune), du filtre gaussien (en rouge) et filtre ideal avec fenetre de Hamming (en vert)
appliques a` 4.7
4.6 Detrending.
Un signal monotone nest pas bien decrit par sa transformee de Fourier. En effet,
celle-ci fait apparatre une multitude de composantes harmoniques qui couvrent une large
gamme de frequences (Figure 4.12). Des lors, afin de ne pas polluer lanalyse par une
e ventuelle tendance presente dans les donnees analysees, il est souhaitable de soustraire
cette tendance aux donnees avant de realiser lanalyse de Fourier. La meme procedure doit
aussi e tre realisee pour appliquer un grand nombre de methodes statistiques qui supposent
la stationnarite des grandeurs e tudiees. Il convient alors de supprimer les variations a` long
terme de la moyenne, voire de la variance.
95
1.00
0.70
0.50
0.30
0.20
0.15
0.10
10
20
30
40
50
60
F IG . 4.12 Transformee de Fourier du signal t/Nt (N=128). Le signal est forme dun
multitude de composantes dont les amplitudes decroissent avec la frequence.
Lidentification et la definition dune tendance dans une serie de donnees dependent du

propos de letude. Ainsi, ce qui apparat comme une tendance dans une serie temporelle
couvrant une courte periode pourra netre que la manifestation dune fluctuation de
très basse frequence pouvant e tre mise en e vidence au travers de plus longues series
temporelles. Le contexte physique pourra aussi aider a` linterpretation de la nature des
variations observees. En pratique, on considère generalement comme une tendance toute
variation dont la periode est superieure ou e gale a` deux fois la longueur de la serie de
donnees e tudiees.
4.6.1 Derivation.
Une serie temporelle x j qui nest pas stationnaire en moyenne, dont la moyenne
e volue, peut e tre rendue stationnaire par simple derivation, soit en remplacant la serie
dorigine par
xj = x j x j1
(4.62)
Si la moyenne e volue de facon non constante, on pourra calculer la derivee seconde, i.e.
la derivee discrète de la derivee première.
La derivation peut e tre très efficace pour attenuer les variations aux plus basses
frequences de la serie temporelle. Elle peut par contre conduire a` donner un poids trop
grand aux variations aux hautes frequences. Cette technique, simple, doit donc e tre utilisee
avec prudence.
4.6.2 Filtrage.
Dans le cas où la tendance e tudiee est raisonnablement decrite par les donnees
disponibles, i.e. les techniques de filtrage introduites plus haut peuvent e tre appliquees
96
pour identifier et supprimer une e ventuelle tendance. Dans ce cas, lapplication dun filtre
dont la frequence de coupure est très basse permet de mettre en e vidence la tendance et,
par difference, cette tendance peut ensuite e tre retiree de la serie temporelle initiale.
4.6.3 Ajustement de courbe.

La tendance presente dans une serie temporelle peut e tre mise en e vidence en ajustant
une courbe aux donnees disponibles. Le cas le plus frequent est celui où une simple loi
lineaire
x j = b0 + b1 j + j
(4.63)
est ajustee aux donnees disponibles en utilisant les techniques de regression lineaire.
Dautres courbes peuvent e galement e tre ajustees. La loi lineaire na dautre merite
que celui de la simplicite. Seule une connaissance des processus responsables de la
tendance peut permettre de justifier le choix dune forme analytique plutot quune autre.
4.6.4 Lissage spline.

Le lissage spline constitue une alternative a` lajustement global dune fonction unique
representant la tendance sur toute la duree de la serie temporelle. Dans le cas du lissage
spline cubique, la tendance est estimee par le biais dune fonction s(t) definie par
morceaux tels que
la fonction s(t) se reduit a` un polynome dordre 3 sur lintervalle de temps
correspondant a` chaque triplets de valeurs consecutives de la serie temporelle ;
les derivees première et secondes sont continues en chaque point.
Les donnees de la serie temporelle sont supposees representatives dune fonction g(t)
suffisamment regulière telle que
x j = g(t j ) + j
(4.64)
` partir de dune
où j designe lecart entre la valeur observee et la valeur predite par g. A
estimation x j de lincertitude sur les donnees, le problème est de reconstruire la fonction
g(t). La spline de lissage cubique correspond au minimum de
p
N1 x
j=0
j s(x j )
x j
2
+ (1 p)
Z tN1
t0
2
s (t) dt
(4.65)
Le paramètre p [0, 1] introduit dans cette expression est utilise pour ponderer
limportance des deux termes de cette expression, i.e. la contrainte portant sur
linterpolation des donnees et lobjectif de minimisation de la courbure totale. Pour une
p = 0 la procedure est e quivalente a` lajustement dune droite a` lensemble des donnees.
Pour p = 1, elle conduit a` une interpolation cubique classique passant exactement par
chaque point. Pour des valeurs intermediaires de p, la fonction spline a un comportement
mixte.
97
On peut montrer que la spline de lissage cubique correspond a` une reponse

frequentielle donnee par
1 p (cos 1)2
u() = 1 + 12
p (cos + 2)

1
(4.66)
Cette reponse est normalement plus e levee aux basses frequences, correspondant au souci
de mettre en e vidence ces composantes. Cette expression peut e tre utilisee pour choisir le
paramètre p correspondant a` un amortissement de 50% a` une frequence donnee.
98
Chapitre 5
Modelisation dynamique a` une
e quation.
5.1 Introduction.
Un grand nombre de systèmes peuvent e tre decrits par une e quation differentielle
exprimant le bilan dune grandeur caracteristique de letat de ce système. Ainsi la masse
totale M dun constituant quelconque presente dans une region particulière de lespace
e volue en fonction du temps selon une loi du type
dM
= Production - Destruction + Echange
dt
(5.1)
où les trois termes du membre de droite correspondent effectivement aux taux de
production, de destruction et dechange du constituant considere. En general, on adopte
comme convention de considerer comme positif tout apport au système tandis que les
e changes avec le monde exterieur sont negatifs sils induisent une perte pour le système.
De meme la dynamique dune population dune espèce particulière mesuree par N
(nombre dindividus ou biomasse exprimee en unites appropriees) suit une loi du type
dN
= Natalite - Mortalite + Migration/Transport
dt
(5.2)
où les trois termes du membre de droite representent respectivement les taux de natalite,
de mortalite et de migration ou de transport (apports exterieurs).
Dans les cas les plus simples, les termes de production/destruction et dechange (resp.
de natalite/mortalite, migration/transport) peuvent sexprimer directement en fonction
de M (resp. de N) de sorte que lequation de bilan permet a` elle seule de determiner
levolution temporelle M(t) (resp. N(t)). Dans dautres cas, la parametrisation des taux
de variation en fonction de M (resp. de N) cache une modelisation des effets combines
dune multitude de processus qui ne peuvent e tre pris en compte explicitement (ou que
lon ne desire pas prendre en compte explicitement).
99
5.2 Modèles differentiels.

5.2.1 Modèles malthusien et logistique.
Le modèle le plus simple de la forme (5.2) ignore la migration et le transport et
suppose que la natalite et la mortalite sont proportionnelles a` N. Ce modèle, du a` Malthus
(1798), secrit donc
dN
= bN dN
(5.3)
dt
où b et d sont des constantes positives. Si la population initiale est N0 , alors
N(t) = N0 e(bd)t
(5.4)
La population crot exponentiellement si b > d, i.e. si le taux de croissance net

r = b d est positif, seteint rapidement si b < d et demeure e gale a` sa valeur initiale
si b = d.
Bien que le modèle de croissance exponentielle de Malthus sapplique a` un certain
nombre de systèmes biologiques pendant un temps limite de leur e volution (e.g. la
croissance de la population mondiale entre le XVIIème et le XXIème siècles), ce modèle
est irrealiste pour e tablir des previsions a` plus ou moins long terme. Une regulation de la
croissance exponentielle doit generalement e tre prise en compte. Une telle limitation est
incluse dans le modèle logistique (Verhulst, 1845)

N
dN
= rN 1
(5.5)
dt
K
où r et K sont des constantes positives. Dans ce modèle, le taux de croissance specifique
r(1 N/K) est une fonction decroissante de la population pour refleter la disponibilite
des ressources en quantite limitee ; lorsque la population N est grande, les ressources
deviennent insuffisantes et le taux de croissance est reduit.
Si N(0) = N0 , la solution de (5.5) est aisement obtenue en profitant de la structure
particulière de lequation differentielle. Celle-ci est en effet a` variables separables. On a
successivement
t
dN

=
r dt
N
N0
0
N 1
K
N
N
Z N
1

K + K
dN = ln N ln 1 N/K = rt

N
N
N0
1 N0 /K
N0
N 1
N 1
K
K
N(K N0 ) = ert N0 (K N)
N0 K ert
N(t) =
K + N0 (ert 1)
Z N
100
(5.6)
(5.7)
(5.8)
(5.9)
Cette solution est representee a` la figure 5.1 pour differentes valeurs de N0 . Quelle
que soit la condition initiale N0 6= 0, la population tend vers la population dequilibre K
lorsque t +.
N(t)/K
N0 > K
1
N0 < K
rt
F IG . 5.1
La constante K represente donc la capacite portante du système (carrying capacity).

La constante r represente le taux de croissance specifique pour de faibles valeurs de N.
Elle represente e galement la vitesse a` laquelle la solution N(t) tend vers K (1/r est le
temps caracteristique de la reponse).
Le comportement de la solution N(t) est qualitativement independant des constantes
r et K du problème. Ceci pouvait e galement se deduire de la mise sous forme
adimensionnelle de lequation (5.5). En effet, posant
t = rt,
N =
N
K
(5.10)
lequation (5.5) secrit
dN
= N (1 N )
(5.11)
dt
dont la solution ne depend daucun paramètre (sauf la condition initiale). Les variations
du taux de croissance specifique induisent une acceleration ou un ralentissement de la
reponse correspondant a` une dilatation ou une contraction lineaire du temps. De meme,
les variations de K modifient uniquement lamplitude de la reponse.
5.2.2 Equilibre
et stabilite.
Le comportement de la solution (5.9) de (5.5) pouvait e galement e tre deduit de
lexamen de cette e quation, sans passer par sa resolution explicite. En effet, lequation
(5.5) montre que
dN
>0
dt
101
tant que N < K(N 6= 0), i.e. la population crot monotonement tant que N < K.
Inversement
dN
<0
dt
si la population est superieure a` la capacite du système. Lequilibre, correspondant a`
dN
= 0,
dt
nest possible que si N = K (ou N = 0).
Plus generalement, considerons une population decrite par une e quation differentielle
dN
= f (N)
dt
(5.12)
où f (N) est une fonction (non lineaire) connue de N. Le système est dit en e quilibre
lorsque la population reste constante au cours du temps.
Ceci nest manifestement possible que pour une population N correspondant a` un
zero de la fonction f , i.e.
f (N ) = 0
(5.13)
Les configurations dequilibre dun système peuvent e tre classees selon leur stabilite,
i.e. selon le type de reponse du système lorsque la configuration stable est perturbee. Pour
e tudier cette reponse, e crivons N(t) sous la forme
N(t) = N + (t)
(5.14)
La fonction (t) represente la perturbation de lequilibre N . Celle-ci verifie lequation

differentielle
d
= f (N + )
(5.15)
dt
En supposant que la perturbation (t) est faible, le second membre de (5.15) peut e tre
approche en linearisant les variations de f au voisinage de N . Par le theorème de Taylor,
on obtient, en tenant compte de (5.13),

d
f (N ) (t) = (0)e f (N )t
dt
(5.16)
Ainsi, si f (N ) < 0, toute perturbation est amortie exponentiellement et le système

retourne a` sa position dequilibre (en un temps infini, il est vrai) ; lequilibre est dit stable.
Si, par contre, f (N ) > 0, les perturbations croissent exponentiellement ; lequilibre est
dit instable. 1
f (N ) = 0, lequation (5.16) devient = 0, i.e. les perturbations ne sont ni amorties ni croissantes.
Lequilibre est dit marginalement stable au sens de lanalyse lineaire. En realite, letude de la stabilite
ne peut e tre raisonnablement menee a` partir de la linearisation (5.15). Il convient de poursuivre le
developpement de Taylor de f jusquau premier terme non nul. Soit k lordre de la première derivee non
1 Si
102
Dans ce cas, (t) grandit au cours du temps et la linearisation (5.16) de (5.15)

introduite pour e tudier la stabilite cesse detre valable. En general, les processus ignores
par la linearisation limitent la croissance de la perturbation. Lequilibre reste cependant
repute instable.
Les positions dequilibre instable doivent e tre considerees comme des curiosites
mathematiques. En effet, bien quune solution du type N(t) = N soit predite
mathematiquement en un tel point, cette solution na pratiquement aucune chance detre
observee (ou meme calculee) en pratique puisque la moindre perturbation (ou la moindre
erreur darrondi) induite, par exemple, par des processus negliges dans la modelisation,
est de nature a` faire secarter le système de la solution dequilibre instable predite
theoriquement.
Lanalyse de stabilite constitue un outil extremement utile pour examiner
lapplicabilite dun modèle mathematique a` un système e cologique donne. En effet, si
lobservation revèle lexistence dune configuration dequilibre (stable) du système et que
le modèle mathematique nadmet pas de solution dequilibre stable, la structure du modèle
est clairement inadaptee.
Lanalyse lineaire de la stabilite possède des limites : elle ne nous renseigne
correctement sur le comportement du système que pour des perturbations de petite
amplitude. Elle ne nous donne par contre aucune information sur la reponse du système
a` des perturbations damplitude finie. Supposons par exemple que f (N) presente lallure
illustree a` la figure 5.2
f (N)
Instable
N1
N2
N3
Stable
F IG . 5.2
On constate immediatement que le système correspondant possède 4 positions

nulle de f en N , il vient
d
f (k) (N ) k
dt
k!
"
(0)1k
f (k) (N )t
(t) = (k 1)
k1
k!
Si f (k) (N ) > 0, (t) + et lequilibre est instable.

Si f (k) (N ) < 0, (t) 0 et lequilibre est stable.
103
!#1/1k
dequilibre : 0 et N2 sont instables tandis que N1 et N3 sont stables au sens de lanalyse

lineaire. La stabilite lineaire de N1 peut cependant e tre malmenee par des perturbations
de grande amplitude. Ainsi, si le système initialement en N1 est perturbe suffisamment
pour amener N dans lintervalle ]N2 , N3 [, son e volution ulterieure sera caracterisee par
une convergence exponentielle vers N3 et non N1 . La position N = N1 est donc instable
aux perturbations damplitude superieure a` N2 N1 .
5.2.3 Modèle de gestion des peches et temps de recouvrement.

Un des buts de la modelisation est de permettre de definir des bases scientifiques
appropriees pour la gestion des ressources et, par exemple, pour e tablir les quotas de
peches permettant le developpement durable des espèces pechees tout en maximisant
les prises. Lexemple suivant permettra de comprendre cette problematique tout en
completant le concept de stabilite introduit precedemment.
Considerons une population dont la dynamique est decrite par un modèle de
croissance logistique. Le prelèvement associe a` la peche induit un terme de perte
supplementaire qui, si leffort de peche est constant, peut e tre suppose lineaire en
limportance de la population, i.e.

dN
N
= r N 1
EN
(5.17)
dt
K
Si E < r, la population tend vers lequilibre stable

E
N (E) = K 1
>0
r
(5.18)
Le prelèvement correspondant est donne par

E
P(E) = E N (E) = E K 1
r
(5.19)
Il est maximum pour E = r/2 et vaut alors Pmax = rK/4.

Se basant sur cette analyse, le gestionnaire recommandera donc quun effort de peche
r/2 soit accompli afin de maximiser les prises.
Lanalyse ci-dessus suppose que letat dequilibre est toujours approximativement
realise. En realite, la constante de temps caracterisant la convergence vers cet e tat
dequilibre, appelee temps de recouvrement, est donnee par
T=
1
rE
(5.20)
Elle augmente donc avec E et, pour E = r/2, elle est e gale a` 2/r, soit deux fois le temps
caracteristique en labsence de prelèvement par la peche.
104
En pratique, leffort de peche ne peut e tre aisement quantifie. Par contre, le

gestionnaire dispose de statistiques de prise permettant devaluer le prelèvement P. En
fonction de cette grandeur, le temps de recouvrement T est donne par
2
rr
T (P) =
(5.21)
P
1 1
Pmax
T (P)
T (0)
L+
1
P
Pmax
F IG . 5.3
Le graphe de cette fonction est presente a` la figure 5.3. Si leffort de peche E est
faible, il en est de meme du prelèvement P et le temps de recouvrement est proche de
1/r. Si E augmente, le point caracteristique se deplace sur la branche L+ de la figure
5.3. Pour E = r/2, le prelèvement P est e gal a` sa valeur maximale Pmax et le point A
est atteint. Pour une valeur superieure de E, le prelèvement P diminue mais le temps de
recouvrement augmente fortement en suivant la branche L .
La strategie optimale consiste e videmment a` se placer aussi proche que possible du
point correspondant a` E = r/2, mais avec E < r/2 pour demeurer sur la branche L+ .
La difficulte reside dans le fait que, en pratique, leffort E nest pas connu a priori mais
approche par essais et erreurs en recherchant le prelèvement P maximum. Ce faisant, on
explore la region E > r/2 et, avec elle, la branche L de la figure 5.3. Si le modèle est
correct, ceci peut e tre catastrophique puisque le temps de recouvrement de lecosystème
est alors très grand si bien quune reduction de leffort de peche peut e tre insuffisante pour
revenir a` une situation de developpement stable.
5.2.4 Modèle de croissance logistique avec retard.

Le modèle de croissance logistique peut e tre raffine pour tenir compte du delai induit
par la periode de gestation finie, le temps necessaire pour atteindre la maturite, . . .
105
Quantifiant ce delai par un retard unique T > 0, on aura, par exemple,

dN
N(t T )
= r N(t) 1
dt
K
(5.22)
Lintroduction dun retard dans les e quations est de nature a` induire un comportement
oscillatoire de la solution. Qualitativement, un tel comportement peut sexpliquer en
considerant la figure 5.4. Si N = K a` linstant t1 et si N(t) < K pour t1 T < t < t1, alors
le membre de gauche de (5.22) est positif dans lintervalle [t1,t1 +T [ et sannule en t1 +T .
La population est alors maximale. Aux instants ulterieurs, la population decrot puisque
N(t T ) > K pour t > t1 + T . Cette decroissance se poursuit jusquà linstant t2 + T où
t2 correspond au moment où N(t2 ) = K (avec t2 > t1 ). En continuant ce raisonnement, on
voit que des oscillations de periode approximativement e gale a` 4T sont possibles.
N(t)
t1
t1 + T t2
t2 + T
F IG . 5.4 Solution periodique du modèle (5.22)
Etudions
maintenant (5.22) plus en detail pour montrer que ces oscillations peuvent
devenir instables si le retard devient important.
En utilisant les variables adimensionnelles
N =
N
,
K
t = rt,
T = rT
(5.23)
on a
dN
= N (t )[1 N (t T )]
(5.24)
dt
Cette e quation ne peut e tre resolue complètement a` partir de la seule condition initiale
N(0) ; il est en effet necessaire de disposer de levolution N(t) de la population pour T <
t < 0. La resolution de ce type dequation avec retard est e galement considerablement plus
compliquee que celle dune e quation differentielle habituelle.
Les configurations dequilibre peuvent cependant encore e tre e tudiees comme
precedemment. Les solutions de la forme N (t ) = N = Cte verifient
0=
dN
= N (1 N )
dt
106
N {0, 1}
(5.25)
Les configurations dequilibre sont donc identiques a` celles du cas sans retard. Leur
stabilite peut e tre e tudiee par linearisation comme precedemment.
Au voisinage de la configuration dequilibre N = 1, on obtient
où
d
(t T )
dt
(5.26)
(t) = 1 N (t )
(5.27)
designe la perturbation de lequilibre (supposee faible, i.e. 1). Recherchons une

solution de (5.26) de la forme
(t ) = C et
(5.28)
En substituant cette expression dans (5.26), on constate que le problème admet des
solutions de la forme (5.28) pour les valeurs de verifiant
= eT
(5.29)
Les solutions reelles de (5.29) peuvent peuvent e tre obtenues graphiquement en

interpretant les solutions de (5.29) comme le(s) point(s) dintersection de la fonction
exp(T ) avec la première bissectrice (Fig. 5.5).
eT
F IG . 5.5
Toutes les solutions reelles correspondent a` des < 0. Elles donnent donc lieu a`
un amortissement exponentiel de la perturbation de (5.28) caracteristique dun système
asymptotiquement stable. Dans ce cas, il ny a donc pas doscillations.
107
Pour certaines valeurs de T , lequation (5.29) admet cependant des solutions

complexes = + i, donc oscillatoires2. Si , la partie reelle de , est positive, ces
solutions sont instables. Pour explorer ces solutions, decomposons (5.29) en ses parties
reelles et imaginaires, on a
= eT cos T ,
= eT sin T
(5.31)
La resolution de ce système de deux e quations pour les deux inconnues (, ) en fonction

du paramètre T fournit les exposants (T ) = (T ) + i(T ) des solutions de la forme
(5.28). Pour T = 0, par exemple, on trouve = 1 et = 0 ; ce qui montre la stabilite de
lequilibre N = 1 dans ce cas.
Sans resoudre explicitement (5.31), on peut examiner si des solutions existent pour
lesquelles > 0, ce qui entranerait linstabilite de lequilibre. Lorsque T augmente
depuis la valeur nulle, augmente progressivement et sannule lorsque, en utilisant la
première e quation de (5.31),
0 = 1 cos T
T =
+ k
2
(5.32)
Supposant > 0 (si est solution de (5.31), est e galement solution), on constate
que sannule pour la première fois pour T = /2. Injectant cette expression dans la
seconde e quation de (5.31), on a = 1 et donc T = /2.
Pour un retard T = /2, les perturbations de lequilibre N = 1 ne sont pas amorties
( = 0) mais des oscillations de pulsation (adimensionnelle) = 1 apparaissent : la
population oscille autour de sa valeur dequilibre.
Des perturbations (5.28) instables sont possibles dès que T > /2, i.e. T > /(2r).
Lintroduction dun retard superieur a` /(2r) est donc de nature a` destabiliser lequilibre
N = K. Pour T legèrement superieur a` /(2r), les perturbations sont caracterisees par
une pulsation (T ) proche de 1, i.e. elles saccompagnent doscillations de periode 2/r
dont lamplitude crot exponentiellement.
La destabilisation du système avec laugmentation de T constitue un resultat
relativement general des systèmes avec retard.
5.3 Modèles discrets.

Dans les modèles precedents, les variables sont supposees varier de facon continue
au cours du temps. Parfois, on est amene a` considerer des variations discontinues, soit
2 On
se souviendra que
eix = cos x + i sin x,
Dès lors, si = + i, on a
cos x =
ex + ex
,
2
et = et (cos t + i sin t)
108
sin x =
ex + ex
2i
(5.30)
a` cause de la nature meme des phenomènes e tudies (caracteristiques genetiques dune

generation a` lautre) soit par lechantillonnage de processus continus (e.g. variations des
stocks de poisson dun hiver a` lautre). Dans ce cas, on note Nk (k = 1, 2, . . .) la variable
N a` linstant tk = t0 + kt.
Levolution de Nk est alors decrite par une e quation aux differences, ou e quation de
recurrence qui, dans les cas les plus simples, secrit
Nk+1 = f (Nk )
(5.33)
` partir de la donnee dune condition initiale N0

où f designe une fonction connue. A
quelconque, lapplication (5.33) permet de determiner successivement N1 , N2 , N3 , . . .
Cette e quation constitue donc lequivalent discret des e quations differentielles utilisees
dans les sections precedentes pour la modelisation des processus dynamiques.
` titre dexemple, considerons dabord la version discrète du modèle de croissance de
A
Malthus :
Nk+1 = r Nk
(5.34)
où r > 0 designe le taux de reproduction net. On obtient aisement
Nk = r Nk1 = r(r Nk2 ) = = rk N0
(5.35)
Si r > 1, la population Nk crot exponentiellement. Celle-ci decrot exponentiellement

si r < 1 et reste constante a` sa valeur initiale pour r = 1. Comme le modèle continu
correspondant, ce modèle est trop simple pour pouvoir e tre utilise en dehors dune periode
initiale de croissance dune population pendant laquelle les ressources ne manquent pas.
5.3.1 Classification et resolution des e quations aux differences

La forme la plus generale que puisse prendre une e quation aux differences est
Nk+1 = f (k, Nk , Nk1 , . . . , Nkn+1 )
(5.36)
Dans ce cas, la valeur de la variable au nouvel instant Nk+1 depend de lindice k et

des valeurs prises aux n instants precedents Nk , Nk1 , . . . , Nkn+1 . Une telle e quation aux
differences est dite dordre n. Sa resolution requiert en general la connaissance des valeurs
prises par N en n instants successifs (par exemple N0 , N1 , N2 , . . . , Nn1 ).
La resolution de (5.36) est generalement impossible analytiquement lorsque f est une
fonction non lineaire quelconque. Des methodes systematiques peuvent par contre e tre
appliquees aux e quations lineaires du type
an Nk+n + an1 Nk+n1 + + a1 Nk+1 + a0 Nk = g(k)
(5.37)
où a0 , a1 , . . ., an designent des constantes quelconques (an 6= 0). On montre que la solution
generale de (5.37) peut secrire sous la forme
part
Nk = Nkh + Nk
109
(5.38)
où Nkh designe la solution generale de lequation homogène

an Nk+n + an1 Nk+n1 + + a1 Nk+1 + a0 Nk = 0
(5.39)
part
et où Nk
represente une solution particulière de (5.37). La solution generale Nk
sexprime au moyen de n constantes dintegration apparaissant dans Nkh . Celles-ci peuvent
e tre fixees au moyen de n conditions initiales appropriees.
Si on recherche des solutions de lequation homogène de la forme
Nk = C zk
on verifie aisement que z doit e tre un zero du polynome caracteristique
an zn + an1 zn1 + + a1 z + a0 = 0
Comme polynome de degre n, celui-ci possède toujours n zeros (eventuellement
complexes) comptes avec leur multiplicite. Si on designe par i (i = 1, 2, . . ., s) les zeros
de distincts de multiplicite i (on a donc 1 + 2 + + s = n). La solution generale de
(5.39) secrit
s
Nk = P ii 1 (k)ki
(5.40)
i=1
où P ii 1 (k) designe un polynome de degre i 1 en k et dont les coefficients sont

quelconques.
Une solution particulière de lequation non homogène (5.37) peut e tre aisement
determinee dans le cas où le second membre est de la forme
g(k) = P p (k)k
(5.41)
où P (k) designe un polynome de degre P . Il suffit en effet de rechercher une solution de
la forme
part
p
Nk = k P (k)k
(5.42)
où designe la multiplicite de comme zero du polynome caracteristique associe a`

p
lequation homogène et où P (k) designe un polynome de degre p dont les coefficients
peuvent e tre determines en substituant (5.42) dans (5.37).
` titre dexemple, considerons le problème de multiplication des lapins propose par
A
Leonardo da Pisa, connu a` partir du XVIIIe` me siècle sous le nom de Fibonacci. Soit donc
un couple de jeunes lapins (un male et une femelle) abandonnes sur une le au debut
de lannee. Supposant que chaque couple de lapins a ges de deux mois ou plus donne
naissance chaque mois a` un nouveau couple de lapins, on se propose de determiner le
nombre de lapins sur lle a` la fin de lannee. On suppose e galement que la mortalite est
nulle pendant cette annee.
Notons pour ce faire Nk le nombre de couples de lapins après k mois. On a N0 =
1, N0 = 1 puisque les lapins sont trop jeunes pour se reproduire. Ensuite, le couple initial
donne naissance a` un nouveau couple de jeunes lapins et N2 = 2. Plus generalement, a` la
110
fin du mois k, les lapins presents sur lle sont ceux presents au mois precedent, soit Nk1 ,
et les lapins nouveaux-nes engendres par les couples en a ge de se reproduire, cest-à-dire
ceux qui e taient presents deux mois plus tot, i.e. Nk2 . On a donc
Nk = Nk1 + Nk2
(k 2)
(5.43)
Cette relation constitue une e quation aux differences homogènes, lineaire dordre 2.
`
A partir des conditions initiales N0 = N1 = 1, elle permet de determiner successivement
N2 , N3 , . . . ce qui engendre la suite de Fibonacci
1, 1, 2, 3, 5, 8, 13, . . .
Pour obtenir une expression analytique des e lements de cette suite, on recherche les
zeros du polynome caracteristique
1
+
5
z1 =
2
z2 z 1 = 0
(5.44)
z = 1 5
2
2
La solution generale secrit donc
Nk = C1 zk1 +C2 zk2
(5.45)
` partir des conditions initiales N0 = N1 = 1, on fixe la valeur des constantes

A
dintegration C1 et C2 . La solution complète secrit finalement

1
1
1
1
k
Nk =
1 + z1 +
1 zk2
(5.46)
2
2
5
5
On calcule aisement N12 = 233, de sorte que lle est habitee par 466 lapins a` la fin de
lannee sous les hypothèses envisagees
Remarquons que, lorsque k devient grand,

1
1
Nk
1 + zk1
(5.47)
2
5
puisque z1 > z2 et
Nk+1
1
z1 =
(5.48)
Nk
5
Ce rapport nest rien dautre que le nombre dor cher aux artistes, geomètres et
philosophes de lAntiquite et de la Renaissance.
111
5.3.2 Rapport avec les e quations differentielles.

La classification et les techniques de resolution des e quations aux differences sont
en tous points semblables aux concepts correspondant dans la theorie des e quations
differentielles ordinaires. Ce rapport peut encore e tre rendu plus explicite si on remarque
que les e quations aux differences apparaissent naturellement lorsque lon desire resoudre
numeriquement des e quations differentielles.
Pour guider le raisonnement, considerons lequation
u
dT
dT
= 2
dx
dx
(5.49)
decrivant la distribution spatiale de la temperature soumise a` ladvection a` la vitesse u

et a` la diffusion caracterisee par le coefficient de diffusion . Le problème (5.49) est
stationnaire et uni-dimensionnel avec x [0, L].
La resolution numerique de (5.49) passe generalement par la discretisation spatiale du
problème. Au lieu de decrire T (x) comme un champ continu, on sinteresse seulement aux
valeurs prises par la temperature aux noeuds xk dun reseau couvrant le domaine detude
[0, L]. Pour simplifier, supposons les noeuds xk regulièrement espaces avec
xk = k x
k {0, 1, 2, . . ., N}
et xN = Nx = L. Parallèlement, notons Tk lapproximation discrète du champ continu

T (x) au point xk .
Pour approcher les differents termes de (5.49) a` partir de la seule connaissance des
valeurs Tk aux noeuds, on remplace les derivees par leurs approximations par differences
finies comme a` la section 1.3.2. En supposant T (x) suffisamment regulière, on peut e crire

dT
Tk+1 Tk
(xk ) =
+ O (x)
(5.50)
dx
x
ou

dT
dx
(xk ) =
Tk Tk1
+ O (x)
x
(5.51)
dT
dx
(xk ) =
Tk+1 Tk1
+ O (x2 )
x
(5.52)
ou encore
Lapproximation centree (5.52) de la derivee apparat donc la plus precise. Ceci peut
e tre intuitivement justifie par le fait que lapproximation centree, au contraire des deux
premières approximations, ne privilegie ni les x > xk , ni les x < xk . Dans la discretisation
de (5.49), nous remplacerons donc la derivee première par lapproximation centree.
112
De meme, la derivee seconde presente dans le membre de droite peut e tre approchee
au second ordre en x en utilisant
2
d T
Tk+1 + Tk1 2Tk
(xk ) =
+ O (x2 )
(5.53)
2
dx
x2
` des termes en O (x2 ) près, lequation differentielle du second ordre (5.49) peut
A
donc e tre approchee par lequation aux differences du second ordre
Tk+1 Tk1
Tk+1 2Tk + Tk1
=
2x
x2
(5.54)
(Pe 2)Tk+1 + 4Tk (Pc + 2)Tk1 = 0
(5.55)
u
soit encore
en introduisant le nombre (adimensionnel) de Peclet

Pe =
u x
(5.56)
Dans le cas où le nombre de Peclet est positif et diffère de 2, les zeros du polynome
caracteristique
(Pe 2)z2 + 4z (Pe + 2)
(5.57)
associe a` (5.55) sont donnes par
z1 = 1;
z2 =
2 + Pe
2 Pe
(5.58)
k
(5.59)
et la solution generale secrit

2 + Pe
Tk = +
2 Pe
où et sont des constantes dintegration a` fixer en fonction des conditions aux limites
du problème.
113
Pe = 0.4
Pe = 4
x, k
b
b
F IG . 5.6 Solutions discrètes et continues dun problème aux limites pour Pe=0.4 (trait
pointille et x) et Pe=4 (trait continu et ).
La solution discrète obtenue par resolution de lequation aux differences constitue

une approximation des valeurs reelles du champ continu aux noeuds du maillage. Cette
approximation est dautant meilleure que x (ou Pe ) est petit puisque lerreur commise
` partir
en substituant lequation aux differences a` lequation differentielle est O (x2 ). A
de certaines valeurs de x ou de Pe , le problème discret peut cependant presenter un
comportement qualitativement très different de celui du problème continu. Ainsi, si
Pe > 2, on remarque que z2 devient negatif. Pour les valeurs paires et impaires de k, Tk
prend des valeurs de signes differents : la solution presente un caractère oscillatoire3 qui
ne correspond pas du tout a` la physique du problème continu. On dit dans ce cas que le
schema de discretisation est instable. Pour resoudre numeriquement le problème, il faut
alors recourir a` dautres types dapproximation de la derivee. Dans le problème e tudie,
par exemple, il suffit de remplacer lapproximation centree de la derivee première par une
approximation decentree (si u > 0) pour e viter les oscillations.
5.3.3 Analyse qualitative des systèmes discrets non lineaires

Il nexiste pas de methode generale de resolution des e quations aux differences non
lineaires. Des techniques danalyse permettent cependant dobtenir des informations
qualitatives très utiles.
Remarquons que le comportement asymptotique (pour k ) de la solution generale (5.40) dun
problème lineaire homogène depend du zero max de plus grande norme. La solution est oscillatoire si max
nest pas un reel positif. Elle crot exponentiellement si || > 1 et decrot exponentiellement si || < 1.
Si || = 1, la solution est purement oscillatoire (ou constante) si max est un zero simple du polynome
caracteristique et elle est presente une croissance polynomiale sinon.
3
114
Considerons la loi de Ricker

Nt
Nt+1 = f (Nt ) = Nt e 1
K
r
(5.60)
où r, K > 0. Cette e quation prevoit une croissance exponentielle pour de faibles valeurs de
N et une decroissance de taux de croissance pour N grand. Elle peut donc e tre vue comme
e quivalente a` la loi de croissance logistique en regime discret.
Le comportement de la solution peut se deduire aisement de lexamen du graphique
` partir dune valeur quelconque, de N0 , ce graphique permet
de Nt+1 en fonction de Nk . A
de lire, en ordonnee, la valeur de N1 . Reportant cette valeur en abscisse, on en deduit la
valeur N2 suivante, . . . En procedant de proche en proche, on construit une ligne brisee
joignant alternativement des points de la courbe f a` la bissectrice principale. Les abscisses
des segments verticaux successifs correspondent a` la suites des iteres N0 , N1 , N2 , . . .
F IG . 5.7- Etude
graphique des iteres dune relation de recurence dordre un.
Si on excepte la valeur initiale N0 , toutes les valeurs Nk successives sont inferieures a`

la valeur maximale Nmax de f . La population N est donc bornee.
Lintersection entre le graphique de f et la bissectrice principale en N = N correspond
a` un e tat dequilibre du système. En effet, on a alors
Nk+1 = f (N ) = N
et la population Nk est invariante au cours du temps.
115
Dans le cas illustre a` la figure 5.7, lequilibre en N est stable. Quelle que soit la
perturbation de lequilibre, Nk N lorsque t +. La convergence est monotone,
sauf e ventuellement lors du premier pas de temps si N0 > N . Pour qualifier le fait que
Nk N quelle que soit la condition initiale N0 , on dit que lespace entier constitue le
bassin dattraction de lequilibre N .
F IG . 5.8- Configurations stables et instables avec oscillation.
Lorsque les paramètres r et K donnent lieu a` une representation graphique comme a`

la figure 5.8-a, la convergence vers la situation dequilibre saccompagne doscillations.
Dans le cas de la figure 5.8-c, lequilibre est instable puisque le système secarte de la
configuration dequilibre (en presentant des oscillations).
Une e tude analytique du comportement du système au voisinage de la position
dequilibre est tout a` fait possible comme dans le cas des e quations differentielles. Ainsi,
116
si
Nt+1 = f (Nt )
(5.61)
les solutions dequilibre sont les solutions de

N = f (N )
(5.62)
Introduisant la perturbation k telle que

Nt = t + N
(5.63)
et linearisant (5.61) au voisinage de N , on trouve

t+1 + N = f (N + t ) f (N ) + f (N )t
(5.64)
de sorte que levolution de la perturbation est decrite par

t+1 = f (N )t = [ f (N )]t+1 0
(5.65)
La stabilite de lequilibre est donc determinee par la valeur du paramètre = f (N ).

Si || < 1, (avec 6= 0) la perturbation est amortie et lequilibre est stable (pour
autant que lamplitude de la perturbation initiale 0 justifie la linearisation). Le
retour vers la position dequilibre saccompagne doscillations si < 0.
Pour || > 1, lequilibre est instable (avec des oscillations damplitude croissante si
< 1).
Les cas = 1 correspondent a` des changements de comportement du système.
On dit que celui-ci presente une bifurcation. Lorsque = 1, le graphique de f
est tangent a` la bissectrice principale en N de sorte que la bifurcation est dite
tangente. Lorsque = 1, on parle de bifurcation fourchette ou bifurcation par
doublement de periode.
Dans le cas du modèle de Ricker, les positions dequilibre sont donnees par

N
N = N exp r 1
N {0, K}
K
(5.66)
Lorigine est toujours instable puisque

f (0) = er > 1
r > 0
(5.67)
Pour determiner la stabilite de N = K (independant de r) on calcule

f (N ) = 1 r
(5.68)
Lequilibre est donc stable pour r ]0, 2[ et instable pour r > 2. La solution est oscillatoire
pour r > 1.
117
Linstabilite de la solution pour r > 2 donne lieu a` un comportement complexe. En

effet, Nt ne peut tendre vers N puisque lequilibre est instable, mais Nt ne peut plus
crotre au-delà de la valeur maximale de f (N), soit
Nmax =
K er1
r
La solution oscille alors indefiniment, et apparemment de facon aleatoire, autour de N

(Fig. 5.9). Elle est dite chaotique.
F IG . 5.9 Comportement chaotique de lequation de Ricker pour r > 2.
Sans entrer dans les details, precisons que le regime chaotique nest pas le domaine
du hasard. Si le comportement dun système chaotique semble erratique, cest parce que
son comportement ne se repète jamais et depend très fortement des conditions initiales :
des differences extremement faibles dans les valeurs des paramètres peuvent donner
lieu a` des resultats largement divergents. Un système chaotique nen reste pas moins
ordonne et deterministe : des effets objectifs et precisement mesurables et reperables
determinent univoquement la suite des e venements. Le determinisme est cependant
qualifie dimprevisible puisque, malgre la connaissance que nous avons de toutes les
donnees qui determinent les e venements, lextreme sensibilite aux conditions initiales
nous empeche de dire ce qui va se passer.
Lorsque r est e gal a` la valeur limite r2 = 2, le système ne possède plus aucun point
dequilibre stable. Le point N = K est marginalement stable puisque les perturbations
linearisees verifient
t+1 = t
(5.69)
La solution consiste donc en des oscillations de periode 2. Pour des valeurs de r
legèrement superieures a` r2 = 2, de telles solutions periodiques de periode 2 continuent
118
dexister. Celles-ci correspondent a` des points fixes de literation double

Nt+2 = f [ f (Nt )]
(5.70)
et peuvent donc e tre e tudiees a` partir de la solution (numerique) de

N = f [ f (N)]
(5.71)
Dans le cas du modèle de Ricker, pour r = 2.1, on trouve par exemple une oscillation entre
les valeurs N2t = 1.37 et N2t+1 = 0.63. Ces points fixes de literation double sont stables,
ce qui signifie que la solution periodique correspondant au passage de lun a` lautre de
ces points est elle-meme stable.
Pour des valeurs de r superieures a` r4 , la solution de periode 2 devient instable. Une
solution periodique de periode 4 apparat. Celle-ci est stable dans une certaine gamme de
valeurs de r et devient elle-meme instable pour des valeurs de r superieures a` r8 .
Lorsque r augmente, le système passe au travers dune serie de bifurcations par
doublement de periode ; la solution stable de periode p devenant instable alors quapparat
une solution stable de periode 2p. La distance entre les bifurcations dans lespacer devient de plus en plus petite. Au-delà dune certaine valeur critique rc , toutes les
solutions periodiques de periode 2n sont instables. Le comportement du système devient
alors extremement complexe : le chaos sinstalle.
5.3.4 Modèle discret avec retard.

Tous les modèles discrets incorporent, par nature, la notion de retard. En effet, ils
decrivent la taille de la population au temps t comme une fonction de la taille (au
moins) a` linstant t 1 precedent. Comme dans le cas continu, le retard introduit un
effet destabilisateur dans les e quations. Cet effet est dautant plus grand que le retard
est important. Cest pourquoi, meme des modèles discrets apparemment très simples
possèdent une dynamique complexe. Il nest pas rare dobserver des oscillations de grande
amplitude amenant les populations a` des niveaux très faibles proches de lextinction.
` titre dexemple, considerons le modèle discret utilise par la Commission Baleinière
A
Internationale pour gerer la population des baleines. Designant par Nt le nombre de
baleines sexuellement matures au debut de lannee t, on a
Nt+1 = (1 )Nt + R(NtT )
(5.72)
où le premier terme de membre de droite represente la population des baleines qui
survivent dune annee a` lautre (0 < < 1) et le second terme modelise laugmentation de
la population adulte par les naissances intervenues T annees plus tot. Le delai T est celui
de la maturite sexuelle et est de lordre de 5 a` 10 ans. Le modèle suppose un sexe-ratio
unitaire et une mortalite identique des deux sexes. Le terme de recrutement est de la forme

z
1
N
T
R(N) = (1 ) N P + Q 1
(5.73)
2
K
119
La constante K represente la population dequilibre en dehors de toute chasse, P est la

fecondite des femelles pour N = K, Q designe laugmentation maximale de la fecondite
par laquelle lespèce reagit lorsque la population est faible et z est un paramètre mesurant
linfluence de cet effet. Le facteur (1 )T tient compte du fait que les nouveaux-nes
doivent survivre pendant T annees avant leur maturite. Enfin le facteur 1/2 tient compte
du fait que la moitie seulement des baleines sont des femelles.
La constante K devant representer la population dequilibre, on doit avoir, posant
Nt+1 = Nt = NtT = K dans (5.72),
1
= (1 )T P = h
2
Posant q =
(5.74)
Q
et e tudiant les perturbations de lequilibre de la forme
P
Nt = K(1 + t )
(5.75)
t+1 = (1 )t + h(1 qZ)tT
(5.76)
il vient, après linearisation,
Le polynome caracteristique associe est de la forme

T +1 (1 )T + h(1 q z) = 0
(5.77)
Lequilibre devient instable dès quun des zeros du polynome verifie || > 1. Ces
conditions peuvent e tre discutees en fonction de , T, h et qz. Lanalyse, longue et
compliquee, montre une forte sensibilite au paramètre z.
5.3.5 Modèle discret pour la gestion de la peche.

Des modèles discrets de gestion de la peche peuvent e tre construits et analyses comme
dans le cas continu. Si la dynamique de la population est decrite par
Nt+1 = f (Nt )
(5.78)
en labsence de peche et, si un prelèvement ht est realise au temps t, alors

Nt+1 = f (Nt ) ht
(5.79)
` lequilibre Nt = Nt+1 = N et
A
h = f (N ) N
(5.80)
En ce basant sur cet e quilibre, le prelèvement durable maximum est obtenu pour N =
Nmax solution de
dh
= f (Nmax ) 1 = 0
dN
f (Nmax ) Nmax = hmax
120
La strategie de gestion pourrait simplement e tre de maintenir la population N au

niveau Nmax correspondant au prelèvement maximum hmax . Cependant, le gestionnaire
ne connat en general pas la population reelle mais seulement lamplitude des prises et
une certaine mesure de leffort de peche (nombre dheures en mer). Il importe donc de
formuler le problème en terme deffort de peche et de prise.
En première approximation, on peut supposer que la prise par unite deffort de peche
(par heure passee en mer) est proportionnelle a` la population. Soit cN cette prise par unite
deffort. Leffort Emax necessaire pour prelever f (Nmax ) Nmax = hmax est donc donne par
1
Emax =
c
Z f (Nmax )
1
Nmax
dN =
1 f (Nmax )
ln
c
Nmax
(5.81)
Cette e quation constitue une relation parametrique reliant leffort au prelèvement en

fonction de Nmax . Elle peut e tre utile au gestionnaire pour limiter e valuer la population
reelle en fonction du rapport prelèvement/effort et e dicter des quotas de peche.
Remarquons cependant que la discussion ci-dessus se base exclusivement sur
lequilibre. Si, a` un moment donne, une augmentation de leffort de peche (ou, ce qui
sest produit dans plusieurs zones de peches, une amelioration des techniques de peche
induisant une plus grande efficacite c) conduit a` une reduction des prises, cest que la
prise durable maximale a e te depassee. Après reduction de leffort de peche, un certain
temps peut e tre necessaire pour que la population retrouve un niveau proche de Nmax .
Notons encore que la gestion des ressources doit idealement integrer un aspect
e conomique integrant les couts (en fonction de leffort) et les benefices (en fonction de
limportance de la prise et des prix du marche).
121
Annexe - Complement sur les e quations differentielles

ordinaires.
Soit le problème differentiel
(
yi (t) = fi (t, y1, y2 , . . . , yn )
,
yi (t0) = y0,i
i = 1, 2, . . ., n
(5.82)
a` resoudre dans le domaine a` n + 1 dimensions

D = [t0,t0 + h] [y0,1 1 , y0,1 + 1 ] [y0,n n , y0,n + n ]
(5.83)
Le theorème suivant donne des conditions suffisantes dexistence et dunicite de la

solution du problème (5.82) :
'
Si les fonctions fi (i = 1, 2, . . ., n) sont continues sur D et telles que
| fi (t, y1, y2 , . . . , yn )| < M sur D ;

il existe des constantes Ki (i = 1, 2, . . ., n) finies telles que
|f(t, y1, y2 , . . . , yn ) f(t, y1, y2 , . . . , yn )| < K1 |y1 y1 | + + Kn |yn yn |
(5.84)
pour tous les (t, y1, y2 , . . ., yn ) et (t, y1, y2 , . . ., yn ) dans D (Condition de

Lipschitz)
alors, le problème differentiel (5.82) possède une solution continue
(y1 (t), y2(t)) unique sur t0 t t0 + h pour h < i /M (i = 1, 2, . . ., n).
&
122
Dans le cas dun problème differentiel lineaire impliquant une seule fonction
inconnue, on peut degager des conditions suffisantes plus simples :
'
Si an1 (x), an2 (x), . . ., a1 (x), a0 (x) et f (x) sont des fonctions continues sur
lintervalle I, alors il existe une fonction y(x) unique n-fois continument
derivable sur I qui satisfait a` lequation differentielle lineaire
L n (D)y(x) = y(n) (x) + an1 (x)y(n1) (x) + + a1 (x)y (x) + a0 (x)y(x) = f (x)
(5.85)
et qui verifie les conditions initiales

y(x0 ) = C0 ,
y (x0 ) = C1 , . . . , y(n1) (x0 ) = Cn1
(5.86)
où x0 est un point arbitraire fixe dans I et où C0 ,C1 , . . .,Cn1 sont des
constantes quelconques.
La solution unique obtenu depend continument de x0 , C0 , C1 , . . . , Cn1 .
&
Selon ce dernier e nonce, la forme generale de la solution de (5.85) sexprime au

moyen de n constantes dintegrations. Cette solution est appelee la solution generale de
lequation (5.85). Les n constantes dintegration peuvent e tre fixees de facon unique par
limposition de n conditions auxiliaires du type (5.86). On parle alors dune problème
aux conditions initiales. Les constantes dintegration peuvent e galement (dans certains
cas) e tre fixees par la donnees de n conditions auxiliaires imposees aux extremites x1 et
x2 de lintervalle [x1 , x2 ] sur lequel le problème doit e tre resolu. Le problème est alors
qualifie de problème aux limites.
Solution du problème lineaire.

Dans le cas dun problème lineaire du type
y(n) (x) + an1 (x)y(n1) (x) + + a1 (x)y (x) + a0 (x)y(x) = f (x)
(5.87)
on montre que la solution generale peut secrire sous la forme

y(x) = yh (x) + y p (x)
(5.88)
où yh (x) designe la solution generale de lequation differentielle homogène

correspondante
y(n) (x) + an1 (x)y(n1) (x) + + a1 (x)y (x) + a0 (x)y(x) = 0
(5.89)
et y p (x) represente une solution particulière quelconque de lequation non-homogène de

depart.
En pratique, la recherche de la solution dun problème differentiel lineaire se
decompose donc en quatre e tapes :
123
recherche de la solution generale de lequation homogène,

recherche dune solution particulière de lequation non homogène.
formation de la solution generale de lequation non homogène en ajoutant la
solution particulière de lequation non homogène et la solution generale de
lequation homogène,
determination des constantes dintegration apparaissant dans la solution generale
en exploitant les conditions initiales ou aux limites.
Solution generale des e quations lineaires a` coefficients constants.

Dans le cas particulier de lequation differentielle lineaire
an y(n) (x) + an1 y(n1) (x) + + a1 y (x) + a0 y(x) = f (x)
(5.90)
où les coefficients an , an1 , . . . , a1 , a0 sont constants (an 6= 0) et où la fonction f (x) est
continue sur un intervalle I, on dispose de methodes systematiques de resolution.
Pour determiner la solution generale de lequation homogène
an y(n) (x) + an1 y(n1) (x) + + a1 y (x) + a0 y(x) = 0
(5.91)
on commence par construire le polynome caracteristique associe a` cette e quation, soit
L n () = an n + an1 n1 + + a1 + a0
(5.92)
La solution generale de lequation homogène est alors obtenue a` partir de letude des
zeros du polynome caracteristique :
'
Si le polynome caracteristique L n (z) possède m zeros distincts i de

multiplicite i avec i = 1, . . ., m et
i = n, alors la solution generale de
i=1
lequation homogène (5.91) secrit

m
yh (x) = P i 1 (x) ei x
(5.93)
i=1
où P i 1 (x) est un polynome de degre i 1.
&
Des methodes systematiques existent e galement pour determiner une solution

particulière du problème non-homogène (5.90). Dans les cas simples, on peut
generalement determiner une telle solution ou du moins sa forme parametrique par
simple inspection. Ainsi, dans le cas particulier ou le second membre secrit sous la forme
f (x) = P p (x)ex
124
(5.94)
où P p (x) un polynome de degre p, on montre que lequation (5.90) admet une solution
particulière de la forme
y p (x) = x P p (x) ex
(5.95)
où designe la multiplicite de comme zero du polynome caracteristique L n () et P p
designe un polynome de degre p (en general different de P p ). Il ne reste plus alors quà
identifier les coefficients du polynome inconnu P p en substituant (5.95) dans lequation
(5.90).
E XEMPLE 5.1 Considerons le mouvement dune corps de masse volumique et de volume V
dans une colonne deau stratifiee. Soit z la coordonnee verticale (positive vers le haut) et (z) la
distribution verticale de la masse volumique de leau. Lequation du mouvement vertical du corps
sobtient par application de la loi de Newton en tenant compte du poids du corps et de la poussee
dArchimède, soit
d2z
V 2 = V g + (z)V g
dt
soit

d2z
(z)
=
1 g
dt 2
Linearisant la fonction (z) au voisinage du point z pour lequel (z ) = , on a

d
(z) +
(z z )
dz z=z
et

d2z
g d
=
(z z )
dt 2
dz z=z
Introduisant la frequence de Brunt-Vaisala N telle que

g d
2
N =
dz z=z
(la densite diminue lorsque z augmente si la colonne deau est stable), lequation devient
d2z
+ N 2 z = N 2 z
dt 2
La solution generale de lequation homogène
d2z
+ N 2z = 0
dt 2
est obtenue en identifiant les zeros du polynome caracteristique

2 + N 2 = 0
soit
1 = iN,
125
2 = iN
On a donc
zh (t) = C1 exp iNt +C2 exp iNt
où C1 et C2 sont des constantes dintegration quelconques. Utilisant la correspondance entre les
fonctions trigonometriques et les exponentielles imaginaires,
eix = cos x + i sin x,
cos x =
ex + ex
,
2
sin x =
ex + ex
2i
, on peut e crire la solution sous la forme

zh (t) = C1 sin(Nt) + C2 cos(Nt)
où C1 et C2 sont de nouvelles constantes inconnues.
Selon (5.95), une solution particulière de lequation non-homogène
d2z
+ N 2 z = N 2 z
dt 2
peut e tre exprimee sous la forme (prenant = 0 = )
z p (t) = P 0 (t) = C
où C designe une constante. Substituant cette expression parametrique dans lequation, on trouve
aisement
C = z .
La solution generale du problème est donc
z(t) = zh (t) + z p (t) = C1 sin(Nt) + C2 cos(Nt) + z
Si le corps est lache sans vitesse a` une hauteur h au-dessus de sa position dequilibre z , il
vient
(
z(0) = z + h = C2 + z
z (0) = 0 = C1 N
Ces conditions permettent de fixer la valeur des constantes dintegration
(
C1 = 0
C2 = h
et la solution complète du problème est donc donnee par
z(t) = z + h cos(Nt)
Le corps oscille donc autour de sa position dequilibre z avec une pulsation N.
126
Chapitre 6
Modelisation dynamique avec
interactions.
Les problèmes environnementaux sont generalement caracterises par des interactions
fortes entre leurs differentes composantes, quil sagisse despèces chimiques qui
reagissent lorsquelles sont mises en contact lune avec lautre ou despèces differentes
dun reseau trophique qui se nourrisent lune de lautre. Par une modelisation
mathematique adaptee, on peut decrire ces interactions pour en decrire la dynamique,
les configurations dequilibre et les instabilites. Les modèles mathematiques les plus
simples comprennent un système dequations differentielles qui sont couplees par des
termes souvent non lineaires.
Cette section presente les concepts et methodes mathematiques danalyse
fondamentaux applicables a` ce type de modèle.
6.1 Modèles continus.

6.1.1 Modelisation des transformations biochimiques.
Selon la loi daction des masses de Guldberg et Waage, la vitesse dune reaction
chimique est proportionnelle au produit des concentrations des reactifs e levees a` une
puissance e gale au coefficient stoechiometrique correspondant. Pour une reaction du type
A + B C + D
(6.1)
v+ = k+ [A][]
(6.2)
où , , , sont les coefficients stoechiometriques des reactifs A et B et des produits C et

D, la vitesse de reaction est donnee par
où k+ designe la constante de vitesse de la reaction. Lorsque la reaction progresse dune
unite vers la droite, moles de C sont produites de sorte que
d[C]
= v+ = k+ [A][]
dt
127
(6.3)
De meme
d[D]
d[A]
d[B]
= v+ ,
= V + ;
= v+
dt
dt
dt
Si la reaction inverse est e galement possible, le système tend vers lequilibre
A + B C + D
(6.4)
(6.5)
La vitesse de la reaction de droite a` gauche est donnee par

v = k [C] [D]
(6.6)
où k designe la constante de vitesse correspondante. Les concentrations des differents

reactifs et produits e voluent selon
d[A]
dt
d[B]
dt
d[C]
dt
d[D]
dt
= (v v+ )
(6.7)
= (v v+ )
(6.8)
= (v+ v )
(6.9)
= (v+ v )
(6.10)
Lequilibre est atteint lorsque

d[A] d[B] d[C] d[D]
=
=
=
=0
dt
dt
dt
dt
(6.11)
v+ = v
(6.12)
[C] [D] k+
=
= Keq
[A][B] k
(6.13)
cest-à-dire
soit
On retrouve donc la loi dequilibre habituelle de constante dequilibre Keq .

Les constantes de vitesse k+ et k des reactions ont des grandeurs (et des unites) qui
dependent des ordres de des reactions. Pour une relation du type
d[A]
= k[A]
dt
on a
[k] = T 1
Pour une reaction dordre P, on a
[k] = (M L3 )1p T 1
128
Les constantes de vitesse dependent de la temperature selon une loi du type

Eact
kT1 = kT2 exp
(T1 T2 )
RT1 T2
où kT1 et kT2 designent les constantes de reaction aux temperatures absolues T1 et T2 , Eact
est lenergie dactivation de la reaction et R la constante universelle des gaz parfaits (8.314
J mol1 K 1 ).
Dans le domaine de temperature relativement restreint (0 35 ) dans lequel se
placent les e tudes environnementales, on remplace la relation precedente par
kT = k20 T
20
(6.14)
où est une constante superieure a` lunite (de lordre de 1.0 a` 1.1 pour beaucoup de
reactions) où T designe la temperature en C et k20 est la constante de reaction a`
20 C. Une forme semblable a` (6.14) est e galement souvent utilisee pour representer
la dependance du taux dactivite des bacteries ou du zoo-plancton en fonction de la
temperature.
Solutions de base pour des reactions simples dordre 0, 1 et 2.
Reaction dordre 1
Une reaction dordre un est une reaction du type
AB
(6.15)
Ce type de reaction decrit, par exemple, les processus de decroissance radioactive ou

de mortalite et de respiration des bacteries et des algues.
On a
d[A]
d[B]
= k[A] =
dt
dt
Par integration a` partir de conditions initiales [A]0 et [B]0 , il vient
[A](t) = [A]0 ekt
[B](t) = [B]0 + [A]0 (1 ekt )
(6.16)
Lorsque le mecanisme dune reaction est inconnu, une reaction du premier ordre
(6.15) peut e tre propose si les concentrations des reactifs et des produits varient
exponentiellement comme dans (6.16).
De facon e quivalente, on reconnat une reaction dordre un peu le fait que les courbes
des concentrations en fonction du temps apparaissent comme des droites sur une e chelle
logarithmique.
129
Reactions dordre 2
La plupart des reactions du second ordre de la chimie aquatique sont dun des types
A+A B
A+B C
A + R 2R
(6.17)
(6.18)
(6.19)
La dernière e quation correspond a` une relation auto-catalytique.

Lequation (6.17) donne lieu a`
d[A] = 2k[A]2
dt
d[B] = k[A]2
dt
donc
kt[A]20
[A]0
, [B](t) = [B]0 +
1 + 2kt[A]0
1 + 2kt[A]0
Levolution de la concentration du reactif A est telle que 1/[A](t) est une fonction
lineaire croissante de t.
[A](t) =
Dans le cas de (6.18), on a

d[A]
= k[A][B]
dt
De meme
d[B]
= k[A][B]
dt
En prenant la difference de ces deux e quations, on a
d
([A] [B]) = 0
dt
et
[B](t) = [A](t) + [B]0 [A]0
Dès lors
et
d[A]
= k[A]([A] + [B]0 [A]0 )
dt
Z [A](t)
[A]0
Soit
d[A ]
=
[A ]([A ] + [B]0 [A0 ]0 )
Z t
0
k dt
[A](t) =
[A]0 ([A]0 [B]0)

[A]0 [B]0 exp[kt([A]0 [B]0 )]
[B](t) =
[B]0 ([B]0 [A]0)

[B]0 [A]0 exp[kt([B]0 [A]0 )]
130
tant que [A](t), [B](t) 0.

Une reaction de ce type peut e tre identifiee experimentalement en remarquant que
ln
[A](t)
[A]0
= ln
k([B]0 [A0 ])t
[B](t)
[B]0
i.e. que ln[A]/[B] e volue lineairement au cours du temps. Une representation de cette
grandeur en fonction de t permet donc didentifier la pente de la droite avec k([B]0
[A]0 ).
La reaction auto-catalytique est decrite par les e quations differentielles
d[A]
= k[A][R]
dt
d[R]
= k[A][R]
dt
et peut donc e tre traitee comme (6.18).
Les reactions dordre 3 ou plus sont rares. Elles correspondraient en effet a` des
interactions de 3 molecules. Lorsquon e crit une reaction de ce type, il sagit generalement
de lecriture compacte dune suite de reactions simples. Si la loi daction des masses
est valable pour chacune des reactions simples, elle nest cependant pas valable pour la
reaction totale sans approximation. Il arrive meme souvent que la reaction totale puisse
e tre approchee par une loi dordre zero du type
d[A]
= k0 .
dt
Cest le cas, par exemple, de la production de methane et la liberation des produits
dhydrolyse (NH3 , PO
erobique des sediments.
3 ) dans une couche ana
6.1.2 Reactions composees

En raison de la grande diversite des espèces chimiques presentes dans
lenvironnement, les transformations chimiques sont generalement realisees par le biais
dune suite de reactions chimiques sucessives dont un grand nombre sont irreversibles.
Considerons tout dabord une sequence de reactions du premier ordre
k
A B 2 C
(6.20)
typique de la desintegration radioactive dun e lement A en e lements de plus en plus legers
131
B et C. On a
d[A]
= k1 [A]
dt
(6.21)
d[B]
= k1 [A] k2 [B]
dt
(6.22)
d[C]
= k2 [B]
dt
(6.23)
Remarquons que
d
([A] + [B] + [C]) = 0
dt
de sorte que
[A] + [B] + [C] = Constante
Les e quations (6.21) - (6.23) peuvent e tre resolues successivement. Si on suppose
quinitialement [B]0 [C]0 = 0, alors
[A] = [A]0 ek1t
k1
[A]0 (ek2t ek1t )
k1 k2

k2 ek1t k1 ek2t
[C] = [A]0 1 +
k1 k2
[B] =
Si k1 k2 , ces expressions peuvent e tre approchees par

[A] = [A]0 ek1t
[B] [A]0 ek2t
[C] [A]0 (1 ek2t )
La sequence des reactions (6.20) peut donc elle-meme e tre decrite par
k
2
A
C
Inversement, si k2 k1 , on a
[A] = [A]0 ek1t
k1
[B]
[A]0ek1t
k2
[C] [A]0 (1 ek1t )
ce qui correspond a`
k
1
A
C
132
Dans les deux cas, on constate que la dynamique de la reaction globale est dictee par
la cinetique de la reaction la plus lente.
Il sagit là dun principe tout a` fait general de modelisation des systèmes dynamiques.
Il faut e tre particulièrement attentif a` parametrer precisement la dynamique des processus
les plus lents car ce sont eux qui gouvernent la dynamique globale. Les processus les plus
rapides peuvent par contre e tre consideres comme immediats sans engendrer derreur
importante. Les variables detats liees par les processus très rapides peuvent elles-memes
e tre groupees pour former un agregat unique, diminuant ainsi la dimension du problème.
Ainsi, dans le cas où k1 k2 , il est inutile de traiter separement les espèces A et B. La
transformation de A en B e tant quasi-immediate, on ne distinguera pas ces deux espèces.
Le schema de reaction (6.20) sapplique particulièrement bien a` loxydation de
lammonium en nitrite puis nitrate par le biais des reactions successives
3
+
NH3 + O2 NO
2 + H + H2 O
2
1
NO2 + O2 NO
3
2
(6.24)
(6.25)
Ces transformations sont e quivalentes a` la transformation globale

+
NH3 + 2O2 NO
3 + H H2 O
(6.26)
(Remarquons les bacteries Nitrosomas spp. et Nitrobacter spp. interviennent

respectivement comme catalyseurs de (6.24) et (6.25).)
La concentration en oxygène naffectant par la cinetique des reactions (sauf si les
niveaux doxygène sont très faibles), la cinetique des reactions peut e tre decrite par (6.21)
- (6.23).
6.1.3 Reactions reversibles

La plupart des reactions acide-base, de complexion ou dadsorption-desorption, sont
reversibles ; des modifications de concentrations ou de conditions environnementales
peuvent alors engendrer un deplacement de lequilibre. Le schema de base pour une telle
reaction est
k
A 1 B
k2
La cinetique de la reaction est decrite par
d[A]
d[B]
= k1 [A] + k2 [B] =
dt
dt
La concentration totale des deux espèces A et B est donc constante
[A] + [B] = C = [A]0 + [B]0
Dès lors
d[A]
+ (k1 + k2 )[A] = k2C
dt
133
et
[A](t) =
k2C
(1 e(k1 +k2 )t ) + [A]0e(k1 +k2 )t
k1 + k2
[B](t) =
k1C
(1 e(k1 +k2 )t ) + [B]0e(k1 +k2 )t
k1 + k2
De meme
Lorsque t augmente, [A] [B] tendent vers leurs valeurs dequilibre

[A] =
k2C
,
k1 + k2
[B] =
k1C
k1 + k2
qui sont bien telles que

[B] k1
=
= Keq
[A] k2
Dun point de vue dynamique, on constate que la convergence vers letat dequilibre
est caracterisee par (k1 + k2 ) ou, de facon e quivalente, par le temps caracteristique
=
1
k1 + k2
Si on sinteresse aux e chelles de temps bien superieures a` , lequilibre peut e tre

suppose realise en bonne approximation. Par contre, pour t = O (), laspect dynamique
ne peut e tre neglige.
6.1.4 Reaction enzymatique

Un grand nombre de reactions font intervenir des proteines speciales, appelees
enzymes, qui agissent comme des catalyseurs très efficaces des ces reactions.
Les enzymes reagissent selectivement a` certains substrats et regulent les processus
biologiques.
La reaction enzymatique de base, proposee pour la première fois par Michaelis et
Menten (1913), comporte deux e tapes selon le schema
k2
k
E + S 1 SE
P+E
k1
(6.27)
Lenzyme E et le substrat S se combinent pour former un complexe SE qui est luimeme converti en un produit P. Lors de cette dernière e tape, lenzyme est e galement
reformee de sorte que lenzyme nest pas consommee par la reaction mais permet
seulement daugmenter la vitesse de la transformation globale. Lenzyme E et le substrat
S sont en e quilibre avec leur complexe SE. La constante de reaction k2 est generalement
petite par rapport a` k1 et k1 .
134
La loi daction des masses appliquee a` (6.27) permet decrire

d[SE]
= k1 [E] [S] k1 [SE] k2 [SE]
dt
(6.28)
d[S]
= k1 [E] [S] + k1 [SE]
dt
(6.29)
d[E]
= k1 [E] [S] + k1 [SE] + k2 [SE]
dt
(6.30)
d[P]
= k2 [SE]
dt
(6.31)
Ces e quations, completees par des conditions initiales appropriees, permettent de

determiner complètement levolution des concentrations des differentes espèces.
Lapproche classique consiste a` supposer que
d[SE]
0
dt
(6.32)
en sappuyant sur la cinetique rapide de la première reaction et la realisation quasiimmediate de lequilibre. Dans ce cas,
k1 [E] [S] (k1 + k2 )[SE]
(6.33)
et, puisque k2 est negligeable par rapport a` k1 ,

[E] [S] k1
=
= Keq
[SE]
k1
(6.34)
Dautre part, en combinant les e quations (6.28) et (6.30), on verifie aisement que
[E] + [SE] = e0
(6.35)
où e0 est une constante : la somme des concentrations des formes libre et combinee de
lenzyme est constante.
En combinant les relations (6.34) et (6.35), on obtient
[SE] =
e0 [S]
Keq + [S]
(6.36)
Dès lors,
d[P]
e0 [S]
= k2
dt
Keq + [S]
(6.37)
On constate que le taux de production de P est proportionnel a` la concentration totale e0

de lenzyme. Celle-ci agit donc bien comme catalyseur.
135
Dans le cas où la reaction (6.28) est celle de la synthèse cellulaire, P designe la
biomasse produite et k2 e0 represente le taux de croissance maximum. Exprimant ce
dernier sous la forme k2 e0 = max [P], on retrouve la loi classique de Michaelis-Menten
d[P]
[P] [S]
= max
dt
Keq + [S]
(6.38)
Cette expression nest caracteristique ni dune reaction de premier ordre, ni dune

reaction du second ordre. Elle est intermediaire entre ces deux situations puisque, si
[S] Keq , on a
d[P]
= max [P]
dt
qui est du premier ordre, et, si [S] Keq , la saturation se fait sentir,
d[P] max
[P] [S]
dt
Keq
et la reaction est du second ordre.
La simulation numerique de levolution des concentrations des differentes espèces
permet de mettre en e vidence les conditions de validite de lhypothèse (6.32). Si les
concentrations initiales de P et SE sont nulles, on observe une première phase très courte
pendant laquelle les concentrations du substrat [S] et du produit [P] sont très peu modifiees
tandis que les concentrations de [E] et [SE] varient rapidement pour atteindre un pseudoe quilibre.
Dans une seconde phase, les concentrations des differentes espèces varient lentement
jusquà la transformation complète du substrat en produit P. La duree de la première phase
est de lordre de
1
tc =
(6.39)
k1 (S0 + KM )
où S0 = [S](0) designe la concentration initiale du substrat. En effet, la phase initiale
est caracterisee par le fait que [S] reste pratiquement constant. Dès lors, (6.28) peut e tre
approche par
d[SE]
k1 S0 [E] k1 [SE]
dt
k1 S0 [(e0 [SE]) k1 [SE]
k1 S0 e0 k1 (S0 + Keq )[SE]
Le temps caracteristique de la croissance exponentielle de [SE] (et de la decroissance
correspondante de [E]) est donc donne par (6.39). Dans beaucoup de situations
experimentales, ce temps est très court et le comportement rapide du système nest pas
observable. En tout cas, la première phase peut e tre ignoree et le système peut e tre
raisonnablement decrit par (6.37) ou (6.38) si on sinteresse uniquement a` des e chelles
de temps bien superieures a` tc .
136
6.1.5 Modèle proie-predateur de Lotka-Volterra.

Le modèle de Lotka-Volterra est un modèle classique utilise pour decrire linteraction
entre des populations de proies et de predateurs, les premiers se nourrissant des
seconds. Initialement presente par Lotka (1920) pour decrire la dynamique dune reaction
chimique, ce modèle a e te e galement propose par Volterra (1926) pour decrire les
oscillations temporelles de certaines espèces de poissons en mer Adriatique.
Notons N(t) la population de la proie au temps t et P(t) la population de son
predateur. Dans le modèle de base de Lotka-Volterra, on suppose dune part que la
population de la proie se developpe exponentiellement en labsence de predation. Celle-ci
est proportionnelle a` la probabilite de rencontre entre les deux espèces et donc e galement
proportionnelle au produits des deux populations. Dautre part, le predateur est incapable
de se maintenir sans proie car il connat un taux de mortalite constant. Ces hypothèses
peuvent e tre traduites mathematiquement par
dN
dt = aN bN P
(6.40)
dP = cN P dP
dt
Assorti de conditions auxiliaires appropriees decrivant les populations initiales N0 et P0
de la proie et du predateur, ce système permet, par integration (numerique), de decrire le
populations des deux espèces a` tous les instants ulterieurs.
Afin detudier la dynamique de (6.40), il est avantageux dintroduire les variables
adimensionnelles
u() =
cN(t)
,
d
v() =
bP(t)
,
a
= at,
d
a
(6.41)
en fonction desquelles le système (6.40) prend la forme

du
= u(1 v),
d
dv
= v(u 1)
d
(6.42)
Cette expression du modèle fait clairement apparatre que, aux variations de lechelle
temporelle et aux mises a` e chelles des variables decrivant les deux populations près, la
dynamique du système depend du seul paramètre adimensionnel representant le rapport
du taux de mortalite du predateur et du taux de croissance de la proie.
La resolution analytique complète du système (6.42) nest pas possible. Cependant,
on peut obtenir des informations importantes sur la dynamique du système en examinant
lexistence et la nature des solutions particulières correspondant a` des valeurs constantes
de u et v. Celles-ci correspondent a` lannulation des seconds membres de (6.42) et sont
donc donnees par
(u, v) = (0, 0)
et
(u, v) = (1, 1)
(6.43)
Ces couples definissent les points critiques ou points dequilibre du système e tudie. Si
le système est abandonne dans une telle configuration a` un moment donnee, alors les
137
derivees temporelles de u et v sont nulles et le système demeure dans cet e tat indefiniment.
Le point dequilibre (1, 1), en particulier, decrit les populations constantes de la proie et
du predateur qui peuvent cohabiter dans le système e tudie.
Au delà de lexistence des points critiques, il importe den definir la nature
en effectuant une analyse de stabilite locale. Pour ce faire, comme dans le cas
unidimensionnel, on linearise les e quations au voisinage du point e tudie.
Considerons tout dabord le point critique (0, 0) correspondant a` labsence de proie et
de predateur. Considerant une petite perturbation de cet e tat, la linearisation des e quations
(6.42) conduit a`
du
dv
u,
v
(6.44)
d
d
dont la solution est donnee par
u() = C1 e ,
v() = C2 e
(6.45)
Celle-ci correspond a` lextinction de la population de predateur et la croissance

exponentielle de la proie. Puisque lune au moins de populations croit exponentiellement,
le point dequilibre (0, 0) est qualifie dinstable. Puisque toutes les variables ne presentent
pas le meme comportement, i.e. que u() croit exponentiellement et v() decrot
exponentiellement, le point critique est appele un point de selle.
Une analyse de stabilite semblable peut e tre realisee pour le second point critique
(1, 1). Introduisant cette fois explicitement les perturbations () et () telles que
u() = 1 + (),
v() = 1 + ()
(6.46)
et supposant que ces perturbations sont faibles devant lunite, levolution des
perturbations au voisinage du point critique peut e tre approchee par
d
= (1 + ) ,
d
d
= (1 + )
d
(6.47)
En derivant la première relation approchee et en remplacant la derivee de par sa valeur

approchee extraite de la seconde e quation, on obtient lequation du second ordre
d 2
+ = 0
d
(6.48)
qui decrit des oscillations harmoniques de la perturbation. La perturbation verifiant

une e quation semblable, on en deduit que le comportement du système au voisinage du
point
critique e tudie est constitue doscillations harmoniques non amorties de periode
2/ autour de (1, 1). On dit alors que (1, 1) constitue un centre et que lequilibre
est marginalement stable. Puisque les perturbations restent bornees, lequilibre est stable.
Cependant, comme les perturbations ne sont pas amorties au cours du temps, la stabilite
est dite marginale ; de petites perturbations ou les termes non lineaires negliges dans
lanalyse locale de stabilite pourraient engendrer une lente croissance ou decroissance
de lamplitude des perturbations.
138
Les e quations linearisees (6.44)-(6.47) permettent de decrire le comportement du

système au voisinage des points critiques. Dans le cas dune point dequilibre stable,
lapproximation induite par la linearisation est consistante avec la solution obtenue ; si la
perturbation initiale est suffisamment petite pour justifier la linearisation, la linearisation
restera appropriee aux instants ulterieurs. Dans le cas dun point dequilibre instable, la
croissance dune des variables (au moins) met a` mal la validite de la linearisation. Les
e quations linearisees ne permettent pas de rendre compte du comportement du système
lorsque les perturbations deviennent grandes. Dans les deux cas, on ne peut rien dire au
sujet du comportement du système en dehors des voisinages des points critiques.
Pour decrire globalement le comportement du système, on peut representer letat de
celui-ci dans le plan-(u, v) ; chaque point du plan e tant representatif dun e tat du système.
Au cours du temps, (u, v) decrit une courbe orientee dans ce plan. Cette courbe est appelee
la trajectoire de phase du système tandis que le plan (u, v) est appele le plan de phase.
Les solutions approchees obtenues precedemment par linearisation permettent de
dessiner les trajectoires au voisinage des points critiques. Celles-ci prennent lallure
dhyperboles au voisinage de lorigine et dellipses au voisinage du point dequilibre
stable (1, 1).
Les trajectoires de phase exactes sont decrites par lequation differentielle
dv
v(u 1)
=
du
u(1 v)
(6.49)
obtenue a` partir de (6.42). Lequation (6.49) e tant a` variables separees, elle peut e tre
integree exactement. On obtient
u + v ln u = H
(6.50)
où H designe une constante dintegration. La valeur minimale de H compatible avec

u, v 0 est Hmin= 1 + . La trajectoire de phase correspondant a` ce minimum se reduit
` toutes les valeurs de H > Hmin correspond une
au seul point dequilibre stable (1, 1). A
trajectoire de phase fermee qui tourne autour du centre (1, 1) (Cf. Fig. 6.1). Ceci confirme
et e tend les resultats obtenus au voisinage des points critiques.
139
F IG . 6.1 Plan de phase
Une trajectoire fermee dans le plan de phase represente une solution periodique
presentant des oscillations (pas necessairement harmoniques) des deux variables. La
condition initiale determine lamplitude et la periode des oscillations. Une solution
type est presentee a` la figure 6.2. Les oscillations des deux populations sont dephasees
denviron un quart de periode ; la population de la proie est maximale ou minimale lorsque
la population du predateur est e gale a` sa valeur dequilibre, elle est e gale a` sa valeur
dequilibre lorsque la population du predateur est extremale. Les maxima des populations
du predateur suivent immediatement les maxima de la proie.
F IG . 6.2 Solution type du modèle.
La relation (6.50) constitue une integrale première du système, i.e. une relation entre
les variables qui est conservee au cours du temps. Un système possedant une telle integrale
première est qualifie de conservatif.
Le modèle de Lotka-Volterra constitue un exemple très utilise dinteraction entre
espèces. Malheureusement, il souffre dun problème structural qui limite son applications
140
aux systèmes reels. En effet, si on perturbe legèrement le système decrivant une trajectoire
donnee, celui-ci se retrouve sur une trajectoire differente caracterisee par un amplitude
et une periode modifiees. La nouvelle trajectoire nest pas partout très proche de la
trajectoire initiale. Ce problème dit dinstabilite structurale est classique des systèmes
conservatifs.
Pour la petite histoire, citons lapplication de Gilpin (1973) du modèle de LotkaVolterra a` la modelisation de la dynamique des populations de lièvre et de lynx, les
premiers constituant e videmment la proie des seconds. Le modèle de Lotka-Volterra
fournit des trajectoires de phases proches de celles deduites des releves de capture
danimaux a` fourrure dans la Baie dHudson entre 1845 et 1835, les populations des
deux espèces fluctuant dans le temps. Malheureusement, les donnees montrent que les
maxima de population de lynx precèdent les maxima de population de lièvre suggerant
donc que les lièvres se nourrissent de lynx ! Lexplication la plus probable de ce paradoxe
est certainement a` chercher du cote de la strategie des trappeurs qui devaient se detourner
de la capture des lièvres lorsque les populations e taient faibles et se tournaient alors vers
la capture plus profitable du lynx. Les donnees de capture ne donnent donc pas une image
fiable des variations des populations vraies des deux espèces.
Des variantes du modèle de Lotka-Volterra ont e te proposees. Ainsi, si on represente
la croissance de la proie par un modèle logistique, on a
dN
= a(N N/K) bN P,
dt
dP
= cN P dP
dt
(6.51)
De meme, on peut supposer quune population N0 de la proie peut e chapper au predateur.

Ceci peut se produire si la dispersion geographique des proies est telle que la probabilite
de rencontre entre la proie et le predateur est faible. Le predateur depense alors trop
denergie pour couvrir lensemble du territoire et est incapable dattraper toutes les proies.
Dans ce cas, on e crira
dN
= a(N N/K) b(N N0 ) P,
dt
dP
= c(N N0 ) P dP
dt
(6.52)
Ces modèles peuvent e tre analyses en utilisant les memes techniques a` celles utilisees
ci-dessus.
6.2 Analyse dans lespace de phase.

Ayant introduit le plan de phase dans lexemple de Lotka-Volterra, e tudions de facon
systematique les differents types de comportement que nous pouvons rencontrer dans le
plan de phase. Pour ce faire, nous considerons un modèle general a` deux e quations de la
forme
x = f (x, y),
y = g(x, y)
(6.53)
où f et g sont des fonctions connues et où le point surmontant une variable designe la
derivee de celle-ci par rapport au temps.
141
Le theorème donne en annexe du chapitre precedent determine des conditions

generales dexistence et dunicite de la solution de (6.53).
Tout point (x0 , y0 ) tel que
0 = f (x0 , y0 ),
0 = g(x0 , y0 )
(6.54)
est appele un point critique, point fixe ou point dequilibre du système. Si les conditions
initiales du système sont prises en un tel point, le système ne quitte jamais cet e tat.
La courbe decrite de facon parametrique par (x(t), y(t)) dans le plan de phase (x, y)
constitue la trajectoire de phase du système. Le système (6.53) possède une et une seule
solution correspondant a` chaque point du plan de phase au voisinage duquel les fonctions
f et g verifient les conditions du theorème dexistence de la solution. Dans le cas dun
système autonome comme (6.42), i.e. dun système dont la dynamique ne depend pas
explicitement du temps, chaque tel point du plan de phase se trouve sur une et une seule
trajectoire. En dautres termes, les trajectoires ne peuvent se croiser, sauf e ventuellement
en certains points particuliers appeles points singuliers.
La direction devolution du système lorsque le temps t augmente peut e tre indiquee
par une flèche attachee a` chaque trajectoire.
Le pente de la trajectoire en chacun des points du plan de phase est donnee par
dy y g(x, y)
= =
dx x
f (x, y)
(6.55)
en chacun des points pour lesquels le second membre de cette e quation est bien defini (ou
meme infini). La trajectoire est verticale en un point (x, y) où f sannule et g diffère de
zero. Elle est horizontale là où g(x, y) = 0 mais f (x, y) 6= 0. Les points singuliers sont ceux
qui laissent le second membre indetermine. En particulier, les trajectoires correspondant
a` un point dequilibre stable se reduisent a` un seul point.
Toute e volution periodique du système est representee dans le plan de phase par une
trajectoire fermee.
6.2.1 Stabilite locale

La stabilite locale des points critiques (x0 , y0 ) du système (6.53) peut e tre e tudiee en
linearisant les e quations au voisinage de ce point critique. Introduisons les perturbations
, telles que
x = x0 + ,
y = y0 +
(6.56)
Si et representent de faibles perturbations de (x0 , y0 ), on peut approcher f par les
premiers termes de son developpement de Taylor, soit, en tenant compte de (6.54),

f
f
f
+
(6.57)
x 0
y 0
où la notation ()0 signifie que les derivees sont e valuees au point (x0 , y0 ). Faisant de
meme pour g, lapproximation de (6.53) secrit
= a + b ,
= c + d
(6.58)
142
où on a introduit les constantes

f
f
a=
, b=
,
x 0
y 0
c=
g
x
,
0
d=
g
y
(6.59)
De facon e quivalente, le système lineaire, homogène, a` coefficients constants (6.58) peut

secrire sous forme matricielle

d
a b
=
(6.60)
c d
dt
Toute linformation sur la dynamique du système et linteraction entre les espèces qui
le compose est contenue dans la matrice de communaute (community matrix)

a b
A=
(6.61)
c d
La solution de (6.60) peut generalement e tre exprimee en fonction des valeurs propres
et des vecteurs propres de A. A cet effet,recherchons des solutions de (6.60) de la forme
particulière

0 t
=
e
(6.62)
0
i.e. des solutions où les deux variables independantes varient proportionnellement.
Substituant cette expression dans (6.60), on voit quune telle solution nexiste que si

0
(6.63)
= 0
A
0
0
i.e. si est une valeur propre de A. Celles-ci sont obtenue en resolvant lequation
caracteristique

a

b

(6.64)
dtm (A I) = 0 =
c
d
où I designe la matrice identite. Dans les cas les plus simples, lorsque les valeurs propres
de A sont distinctes, la solution complète du problème linearise (6.60) secrit comme la
combinaison des modes fondamentaux

(1)
(2)
(1)
1t
(t) = C1 v
e +C2 (2) v(2) e2t
(6.65)
(1)
où C1 et C2 sont des constantes dintegration et où

(1)
(2)
(1)
(2)
v =
,
v =
(1)
(2)
sont les vecteurs propres associes a` 1 et a` 2 .
143
(6.66)
On en deduit que lequilibre est (asymptotiquement) stable si la partie reelle de toutes

les valeurs propre est strictement negative. Il est instable si une valeur propre (ou plus)
presente une partie reelle strictement positive. Si toutes les valeurs propres possèdent
une partie reelle negative mais que certaines sont purement imaginaires, lequilibre
est marginalement stable ou faiblement instable1 : la solution presente des oscillations
non amorties (marginalement stable) ou dont lamplitude crot de facon polynomiale
(faiblement instable). Il faut cependant e tre attentif au fait que ces conclusions peuvent
e tre mises a` mal par les termes non lineaires negliges. Ce sont eux qui, dans le cas de la
stabilite marginale et de linstabilite faible, commandent le caractère stable ou instable.
F IG . 6.3 Representation dans le plan de phase de la dynamique au voisinage des

differents types de points critiques.
Les vecteurs propres correspondant aux valeurs propres 1 , 2 representent les

directions de lespace de phase selon lesquelles on observe la croissance ou la
1 Pour e
tre precis, lequilibre est marginalement stable si les blocs de Jordan associes aux valeurs propres
purement imaginaires sont dordre un. Il est faiblement instable sinon.
144
decroissance exponentielle correspondant a` la stabilite ou a` linstabilite de la solution.

En fonction des valeurs de 1 et 2 , on peut donc distinguer les cas suivants :
i. 1 et 2 reelles et distinctes :
(a) 2 < 1 < 0. Les trajectoires de phase convergent vers le point dequilibre
stable en salignant asymptotiquement avec v(1) (la decroissance dans la
direction de v(2) est plus rapide). Le point dequilibre est un nud stable.
(b) 0 < 2 < 1 . Les trajectoires de phase divergent du point dequilibre instable
en salignant asymptotiquement avec le vecteur propre relatif a` la valeur
propre la plus grande. On a un nud instable.
(c) 2 < 0 < 1 . Les trajectoires divergent selon v(1) et convergent vers le point
dequilibre selon v(2) . Le point dequilibre instable est un point de selle.
Remarquons que, si les conditions initiales sont alignees avec v(2) , le système
tend vers sa configuration dequilibre instable. Ce point ne peut cependant pas
e tre atteint en un temps fini. On parle de mouvement asymptotique vers la
position dequilibre.
ii. 1 et 2 complexes (necessairement conjugues), i.e. 1 , 2 = i avec 6= 0.
(a) < 0. Lequilibre est stable et les trajectoires de phase senroulent en
convergeant vers le point dequilibre qui est qualifie de foyer stable.
(b) = 0. Les trajectoires de phase sont des courbes fermees tournant autour du
point dequilibre. Celui-ci est un centre. Les trajectoires correspondantes sont
periodiques.
(c) > 0. Les trajectoires de phase divergent en tournant autour du point
dequilibre instable. On parle de foyer instable.
iii. 1 = 2 . Si les valeurs propres sont confondues, le point dequilibre apparat
comme un nud (stable ou instable en fonction du signe des valeurs propres)
e ventuellement degenere 2 . Dans ce dernier cas, les trajectoires sont radiales.
6.2.2 Stabilite globale, solutions periodiques et cycles limites.

Lanalyse lineaire de stabilite exposee dans la section precedente nest valable que
localement. Lorsquun point dequilibre est presente comme asymptotiquement stable
par linearisation, cela signifie que les perturbations suffisamment petites de lequilibre
` partir
donnent naissance a` des trajectoires qui tendent vers le point dequilibre stable. A
dune certaine ampleur des perturbations, les trajectoires peuvent e tre qualitativement
differentes et, par exemple, secarter du point dequilibre stable e tudie. En general, la
region du plan de phase dont sont issues les trajectoires convergeant effectivement vers un
point dequilibre stable est appelee le basin dattraction de ce point. Un point dequilibre
est qualifie de globalement stable lorsque son bassin dattraction couvre lensemble du
plan de phase. Dans ce cas, un seul e quilibre stable peut e videmment exister.
2 On
a une e toile si les blocs de Jordan sont tous de taille unitaire et un nud sinon.
145
Lanalyse lineaire ne permet pas de determiner la taille de ce bassin dattraction.

La connaissance de celle-ci est cependant capitale pour determiner lampleur des
perturbations auxquelles un système peut faire face sans modification qualitative de son
comportement.
Le plan de phase est generalement separes en differents bassins dattraction
correspondant a` differents points dequilibre stable. Les limites des bassins dattraction
sont materialisees par des trajectoires particulières appelees separatrices. Celles-ci peut
parfois prendre la forme de courbes fermees correspondant a` des trajectoires periodiques
ou cycles. Lexistence de telles trajectoires periodiques (sans resoudre complètement
le système dequations differentielles) peut parfois e tre deduites de lapplication de
theorèmes appropries. De meme, lexistence de trajectoires periodiques peut aider a` la
decouverte de points critiques.
On montre que, si un système possède une solution periodique representee par une
courbe fermee simple C dans le plan de phase, alors celle-ci contient au moins un
point critique. Si C entoure un seul point critique, celui-ci ne peut e tre un point de
selle. Inversement, si une region simplement connexe du plan de phase dun système
autonome ne contient aucun point critique ou un seul point de selle, alors ne peut
contenir aucune solution periodique.
Le theorème de Poincarre-Bendixson repose sur la notion de region invariante pour
predire lexistence de solutions periodiques. Une region invariante est une region du
plan telle que toutes les trajectoires generees a` partir de conditions initiales choisies dans
sont entièrement contenues dans a` tous les instants ulterieurs. Un point dequilibre,
une trajectoire periodique ou le basin dattraction dun point dequilibre stable constituent
autant de cas particuliers de regions invariantes. De telles regions invariantes peuvent
e tre identifiees en observant que les trajectoires ne peuvent que rentrer mais jamais sortir
. Soit donc une region invariante du plan ne contenant aucun point critique sur sa
frontière :
i. si est connexe de type I, i.e. si est une region bornee delimitee par une courbe
simple, et contient un nud instable unique ou un foyer instable unique, il existe au
moins une solution periodique dans .
ii. si est connexe de type II, i.e. si est une region annulaire bornee comprise entre
deux courbes simples, et ne contient aucun point critique, il existe au moins une
trajectoire periodique dans .
Dans les deux cas, toute trajectoire non periodique contenue dans spirale en convergeant
vers la solution periodique qui est dès lors appelee cycle limite. Lensemble des points
conduisant a` un cycle limite definit le bassin dattraction de ce cycle limite.
6.2.3 Generalisation.
Les notions precedentes peuvent e tre generalisees aux systèmes de n e quations
differentielles du premier ordre. Les concepts de stabilite ne sont pas modifies. De meme,
une solution decrit toujours une trajectoire qui est maintenant une courbe dans un espace
146
a` n dimensions. Cet espace, qui generalise la notion de plan de phase, est appele lespace
de phase. Les representations graphiques dun tel espace sont e videmment impossibles
pour n > 3. Par contre, on peut considerer des representations graphiques des coupes
bidimensionnelles de cet espace de phase.
Tout système comportant des e quations dun ordre superieur au premier ordre peut
e tre transforme en un système e quivalent du premier ordre en introduisant des variables
dependantes supplementaires. Par exemple, lequation du troisième ordre
x(3) + a2 (x, y)x + a1 (x, y)x + a0 (x, y) = f (x, y)
(6.67)
est e quivalente a`
x
x2
x3
= x2
= x3
= f (x, y) a2 (x, y)x2 a1 (x, y)x1 a0 (x, y)x
(6.68)
Enfin, lanalyse dans lespace de phase peut aussi e tre e tendue aux systèmes
dependants du temps en introduisant une variable dependante supplementaire qui
sidentifie au temps. Ainsi, on remplacera le système
x = f (t, x, y),
y = g(t, x, y)
(6.69)
par
x = f (z, x, y),
y = g(z, x, y),
z = 1
(6.70)
Un système de n e quations du premier ordre dependant explicitement du temps est donc

e quivalent a` un système autonome de dimension n + 1 dont la dynamique peut e tre
analysee dans le plan de phase.
Les notions de noeud, centre, point de selle, bassin dattraction, cycle limites,. . . se
generalisent e galement (mais pas le theorème de Poincarre-Bendixson). Laugmentation
de la dimension de lespace de phase permet cependant une plus grande variete dans les
types de solutions. En particulier, a` partir de la dimension 3, des solutions peuvent e tre
bornees sans donner naissance a` des cycle limites ou points dequilibre : les trajectoires
pouvant se tordre, se contourner, senchevetrer en de fantastiques nuds connus sous le
nom dattracteurs e tranges. Ceux-ci permettent a` deux solutions initialement très voisines
de diverger rapidement tout en restant dans un region bornee de lespace de phase : cest
le regime du chaos.
6.2.4 Competition et symbiose.

Le modèle de Lotka-Volterra decrit la relation de predateur-proie au moyen de
deux e quations differentielles couplees. De la meme facon, on peut aisement decrire
la dynamique couplee de deux espèces en competition pour les memes ressources ou
la symbiose de deux espèces, i.e. lorsque la cohabitation de deux espèces se realise au
benefice de ces espèces.
147
Competition.
Considerons tout dabord le cas de deux espèces en competition. Notons N1 et N2 les
populations correspondantes. Si on suppose que les deux populations sont caracterisees
par une croissance logistique en labsence de lautre espèce, on e crira, par exemple
h
dN1
N1
N2 i
=
r
N
1
1 1
12
dt
K1
K1
(6.71)
h
i
dN2 = r2 N2 1 N2 b21 N1
dt
K2
K2
où r1 , r2 , K1 , K2 , b12 et b21 sont des constantes positives. Les ri designent les taux de
croissance lineaire et les Ki les capacites portantes. Les constantes b12 et b12 mesurent
linfluence reciproque des deux espèces. Les termes correspondant montrent la reduction
du taux de croissance dune espèce induite par la presence de lautre espèce.
Les e quations (6.71) peuvent e tre rendues adimensionnelles en posant
u1 =
N1
,
K1
N2
,
K2
K2
a12 = b12 ,
K1
u2 =
= r1t,
a21 = b21
=
K1
K2
r2
r1
(6.72)
Il vient
du1
dt = u1 (1 u1 a12 u2 ) = f1 (u1 , u2 )
(6.73)
du2 = u2 (1 u2 a21 u1 ) = f2 (u1 , u2 )

dt
Les points critiques sont les solutions de f1 (u1 , u2 ) = f2 (u1 , u2 ) = 0, soit les couples
(u1 , u2 ) donnes par

1 a12
1 a21
(0, 0),
(1, 0),
(0, 1),
(u1 , u2 ) =
,
(6.74)
1 a12 a21 1 a12 a21
(où le dernier point critique nest possible que pour certaines gammes de valeurs des
paramètres).
La stabilite des points critiques depend des valeurs propres de la matrice de
communaute
f1 f1
a u
2u
a
u
12
12
1
2
1
u1 u2
A=
=
(6.75)
f
f2
2
a21 u2
(1 2u2 a12 u1 )
u1 u2 (u1 ,u2 )
On verifie aisement que le point (0, 0) est toujours instable puisque la matrice de
communaute correspondante secrit

1 0
A=
(6.76)
0
148
dont les valeurs propres 1 et sont strictement positives.

La configuration (1, 0) donne lieu a` la matrice de communaute

1
a12
A=
0 (1 a21 )
(6.77)
dont les valeurs propres sont 1 et (1 a21 ). Par consequent, lequilibre est stable3 pour
a21 > 1 et instable pour a21 < 1.
De meme, la matrice de communaute relative a` lequilibre (0, 1) secrit

1 a12 0
A=
(6.78)
dont les valeurs propres sont 1 a12 et . Par consequent, lequilibre est stable pour
a12 > 1 et instable pour a12 < 1.
Lorsque les conditions sont remplies pour que le troisième e quilibre de (6.74) soit
possible, sa stabilite depend du signe (de la partie reelle) des valeurs propres de

1
a12 1
a12 (a12 1)
A=
(6.79)
1 a12 a21 a21 (a21 1) (a21 1)
soit
1,2 =
h
1
(a12 1) + (a21 1)
2(1 a12 a21 )
q
i
[(a12 1) + (a21 1)]2 4(1 a12 a21 )(a12 1)(a21 1)
(6.80)
Sans entrer dans la discussion du signe de (6.80), on peut remarquer que le système
est globalement stable. En effet, les trajectoires de phases pointent toutes vers linterieur
du rectangle [0,U1] [0,U2] si on prend U1 et U2 suffisamment grands.
Considerons maintenant les differentes combinaisons possibles des paramètres du
problème.
a) a12 < 1, a21 < 1.
Les points (1, 0) et (0, 1) sont tous deux instables et constituent des points de selle.
Lequilibre est stable au point (u1 , u2 ). Toutes les trajectoires convergent vers ce
point (centre).
b) a12 > 1, a21 > 1.
Pour de telles valeurs des paramètres, les configurations (1,0) et (0,1) sont toutes
les deux stables. Puisque 1 a12 a21 < 0, le point (u1 , u2 ) est aussi admissible et
3 Le
cas a21 = 1 est donne lieu a` un e quilibre marginalement stable au sens de lanalyse infinitesimale.
Une analyse non lineaire complète simpose alors.
149
F IG . 6.4 Competition entre espèces : plan de phase
150
les valeurs propres de la matrice de communaute correspondante sont de signes

differents. 4
Lequilibre (u1 , u2 ) est donc instable : il correspond a` un point de selle.
Le plan de phase peut e tre esquisse en raisonnant sur les isoclines de f1 et f2
definissant les signes de
du1
du2
et
dz
dz
Il fait apparatre une trajectoire particulière passant par le point de selle (u1 , u2 )
et separant le plan de phase en deux regions disjointes correspondant aux deux
bassins dattraction des points dequilibre stable : toute trajectoire issue dun point
de la region I (resp. II) tend asymptotiquement vers le point dequilibre stable (1,0)
(resp. (0,1)).
c) et d) a12 < 1, a21 > 1 ou a12 > 1 et a21 < 1.
Les points (1, 0) et (0, 1) sont les deux seuls points dequilibre. Lun est stable et
lautre instable.
Lorsque a12 , a21 > 1 ou lorsque a12 > 1 et a21 < 1 ou bien encore quand a12 < 1 et
a21 > 1, lune des deux espèces est mieux armee que lautre dans la competition et finit par
lemporter, quelles que soient les conditions initiales. Le système se stabilise alors par la
disparition complète dune des deux espèces. Cest le principe de lexclusion competitive,
connue aussi sous le nom de principe de Gause, qui affirme que deux espèces ne peuvent
occuper durablement la meme niche e cologique ; si deux espèces sont en competition
pour une meme ressource essentielle, lune fera mieux que lautre.
Le cas a12 < 1 et a21 < 1 est le seul cas où une cohabitation stable des deux espèces est
possible. Le niveau dequilibre de cette cohabitation est, e videmment, inferieur au niveau
dequilibre des espèces considerees individuellement. On remarque que cette cohabitation
demande
K2
<1
(6.81)
b12
K1
ce qui pourrait se traduire par le fait que la competition entre les deux espèces ne doit pas
e tre trop sevère.
4 Le
polynome caracteristique peut secrire sous la forme

( 1)( 2) =
=
2 (1 + 2 ) + 12
2 trace A + detA
où on a note 1 et 2 les valeurs propres de A et où

trace A =
a12 1 + (a21 1)
<0
1 a12a21
det A =
(a12 1)(a21 1)
<0
1 a12a21
151
Si b12 et b21 sont grands et que K1 et K2 sont semblables, alors les deux espèces
se livrent a` une concurrence feroce et lequilibre stable ne peut e tre realise que par la
disparition complète dune des deux espèces (a12 > 1 et a21 > 1). La determination de
lespèce qui lemporte depend de lavantage initial de lune ou lautre espèce.
Il convient de remarquer que ce sont les groupements adimensionnels a12 et a21 (et
e ventuellement les conditions initiales) qui gouvernent levolution ultime du système.
Le ratio des taux de croissance naffecte en rien la stabilite des solutions. Il modifie
seulement lechelle de temps de la dynamique du système.
6.2.5 Mutualisme ou symbiose.

Le modèle de Lotka-Volterra peut e galement e tre adapte pour decrire la dynamique
dun système où linteraction de deux ou plusieurs espèces se produit a` lavantage de
toutes ces espèces, i.e. où les espèces vivent en symbiose. Pour e crire un modèle realiste
de se genre de comportement, il est e videmment necessaire dinclure une limitation de la
croissance, par exemple par la disponibilite limitee des ressources communes. Un modèle
simple de ce type est donne par

N1
N2
dN1
= r1 N1 1
+ b12
dt
K1
K1
(6.82)

dN
N
N
2
2
1
= r2 N2 1
+ b21
dt
K2
K2
où r1 et r2 sont les taux de croissance lineaire des deux espèces, où K1 et K2 les
capacites de lenvironnement pour ces deux espèces et où b12 > 0 et b21 > 0 caracterisent
laugmentation du taux de croissance dune espèce en presence de lautre.
Le système (6.82) peut e tre e crit en variables adimensionnelles en posant,
u1 =
Il vient
N1
,
K1
N2
,
K2
K2
a12 = b12 ,
K1
u2 =
= r1t,
r2
r1
K1
a21 = b12
K2
du1
dt = u1 (1 u1 + a12 u2 ) = f1 (u1 , u2 )
Les points fixes sont
du2 = u2 (1 u2 + a21 u1 ) = f2 (u1 , u2 )

dt
(u1 , u2 ) =
(0, 0),
(1, 0),

1 + a12
1 + a22
,
1 a12 a21 1 a12 a21
152
(6.83)
(6.84)
(0, 1)
si
1 a12 a21 > 0
(6.85)
En procedant comme a` la section precedente (seuls les signes des coefficients a12 et
a21 sont modifies), on montre aisement que (0, 0) est un noeud instable tandis que les
points (1, 0) et (0, 1) sont des points de selle. Ces trois points sont donc instables. Si
1 a12 a21 < 0, le système ne peut donc presenter dequilibre stable ; les deux populations
explosent (sont non bornees).
F IG . 6.5 Plan de phase dans le cas où a) 1 a12 a21 < 0 et b) 1 a12 a21 > 0
Si 1 a12 a21 > 0, lequilibre est stable en (u1 , u2 ) : toutes les trajectoires convergent
vers ce noeud stable. Remarquons que cet e quilibre est caracterise par u1 , u2 > 1, ce qui
correspond a` N1 > K1 , N2 > K2 . Linteraction des deux espèces permet donc le maintien de
populations superieures aux populations dequilibre lorsque les espèces vivent isolement.
6.3 Modèles discrets pour linteraction des populations.

Les modèles dinteraction presentes dans la section precedente peuvent e tre transposes
au cas discret. Considerons en particulier le cas du système proie-predateur. Designant la
proie par Nk et le predateur par Pk , on e crira, par exemple,
Nk+1 = r Nk exp(a Pk )
(6.86)
P = N [1 exp(a P )]
k+1
k
k
où r(> 0) represente le taux de croissance net de la proie en labsence de predation et où
a(> 0) mesure lintensite de linteraction entre les deux espèces.
153
Le système possède deux e tats dequilibre
ln r

P =
N =0
a
ou

r ln r
P =0
N =
a(r 1)
(6.87)
Le second e quilibre nexiste que pour r > 1.

La stabilite lineaire de ces e quilibres peut e tre e tudiee, comme dhabitude, par
linearisation des e quations en e crivant

Nk = N + k

k
k
où 1, 1
(6.88)
N
N
Pk = P + k
Dans le cas de lequilibre trivial N = P = 0, il vient
k+1 = r k ;
k+1 = 0
(6.89)
Lequilibre est donc stable si r < 1 (Nk 0 pour k +), instable pour r > 1 et
marginalement pour r = 1 (Nk = N0 k).
Pour r > 1, les perturbations de la seconde configuration dequilibre e voluent selon
= k N a k
k+1

(6.90)
Na
1
+
k
k+1 = k 1
r
r
La solution analytique de ce système lineaire peut e tre obtenue en iterant la première

e quation et en e liminant k et k+1 au profit de k et k+1 pour se ramener a` une e quation
du second ordre en k :

Na
k+2 1
k+1 + N ak = 0
(6.91)
r
Cette e quation peut ensuite e tre resolue par la methode du polynome caracteristique.
De facon e quivalente, on peut transposer la methode matricielle de resolution
introduite dans le cadre des systèmes dequations differentielles lineaires. On a
1
N a

k+1
k
=
(6.92)
k+1
k
1 Na
1
r
r
ce que lon peut noter
xk+1 = Axk
154
(6.93)
Si on recherche des solutions de la forme

xk = k x0 ,
(6.94)
Ax0 = x0
(6.95)
il vient, après substitution dans (6.93),
i.e. est une valeur propre de A et x0 un vecteur propre associe. Le système sera stable si
toutes les valeurs propres de A sont inferieures a` 1 en module. Si une des valeurs propres
est telle que || > 1, le mode correspondant crot exponentiellement et le système est
instable.
Dans le cas particulier e tudie, on a

1 N a

Na

2
|A I| =
+ Na = 0
(6.96)
= 1+
1 Na

r
1

r
r
En utilisant la valeur de N donnee dans (6.87), on montre que les deux zeros sont
complexes conjugues et que leur produit, N a, qui est aussi e gal au carre de leur module
commun, est strictement superieur a` 1 pour r > 1. On en deduit que cet e quilibre est
toujours instable. Il est donc illusoire de vouloir representer un système reel presentant
un e quilibre stable avec ce modèle. De plus, les simulations numeriques montrent que
lequilibre non trivial (N , P ) est e galement instable pour des perturbations damplitude
finie ; la solution crot sans borne. Le modèle ne peut donc e tre applique tel quel a` aucun
système reel.
Une modification possible de de (6.86) consiste a` introduire une saturation dans la
dynamique des proies, par exemple, en y incorporant la loi de Ricker. On aura alors

Nk
a PK
Nk+1 = Nk exp r 1
K
(6.97)
Pk+1 = Nk [1 exp(a PK ]
dont la dynamique peut presenter des configurations dequilibre stable.
155
Chapitre 7
Modelisation au moyen dequations aux
derivees partielles.
7.1 Dynamique de population avec distribution dage.
Le modèle de croissance logistique avec retard (5.22) peut e tre generalise pour tenir
compte du fait que la dynamique de la population a` un instant t donne depend dune
certaine moyenne des populations aux instants precedents. On aura alors lequation
integro-differentielle

Z
dN
1
= r N(t) 1
W ()N(t )d
(7.1)
dt
K 0
où W () designe une fonction de ponderation decrivant linfluence de la taille des
populations aux instants passes sur la disponibilite actuelle ou sur la qualite des
ressources. Lequation (5.22) constitue un cas particulier de (7.1) où la fonction W ()
est non nulle pour le seul retard T . De meme, lequation (5.5) sobtient a` partir de (7.1)
en posant W () = ().
De facon alternative, on peut interpreter le terme entre crochets dans (7.1) comme
un terme correctif au terme Malthusien rN tenant compte de la distribution des a ges au
sein de la population ; une population trop jeune, immature ou au contraire trop a gee
presentant des taux de reproduction et de croissance faibles. Dans cette optique, on peut
rendre plus explicite la dependance de la dynamique en la structure de la population en
decrivant explicitement sa distribution dage.
Soit n(a,t) la densite de population au temps t en fonction de lage a, i.e. n(a,t) est
telle que le nombre dindividus dont les a ges sont compris entre a1 et a2 (> 0) est donne
par
Z
a2
n(a,t)da
(7.2)
a1
Soit b(a) et m(a) respectivement les taux de reproduction et de mortalite en fonction de

lage. Les individus dage a au temps t forment la classe dage a + t au temps t + t
156
mais leur nombre est reduit par la mortalite. On a donc

n(a + t,t + t) n(a,t) =
Z t
0
m(a + )n(a + ,t + )d
(7.3)
Soit encore

n
n
(a,t) + (a,t) t + O (t 2 ) = m(a)n(a,t)t + O (t 2)
a
t
(7.4)
En passant a` la limite pour t 0, il vient

n n
+
= m(a)n
a t
(7.5)
Le nombre de naissances est donne par

n(0,t) =
Z amax
b(a)n(a,t)da
(7.6)
où amax designe lage maximum pour lequel b(a) est non nul.
Les e quations (7.5) et (7.6) constituent le modèle devolution de la population. Celuici est donc entièrement decrit par la donnee des lois b(a) et m(a). En plus de (7.6), il
convient dimposer une condition initiale du type
n(a, 0) = f (a)
(7.7)
donnant la distribution des a ges a` linstant initial.
7.1.1 Solution generale.

Le problème (7.5)-(7.7) peut e tre resolu en remarquant que, dans lespace (a,t),
un meme individu e volue le long dune droite a t = Cte . Le long de cette courbe
caracteristique, lequation (7.5) secrit
d
n(a(t),t) = m(a)n(a(t),t)
dt
dont la solution est simplement de la forme
Z
n(a,t) exp
a+t
m(s)ds
a
(7.8)
(7.9)
Lespace (a,t) est divise en deux par la caracteristique a = t (Fig. 7.1).

I.) Pour a > t, la solution est entièrement determinee par la condition initiale (7.7),
i.e.
Z a

n(a,t) = f (a t) exp
m(s)ds
(a > t)
(7.10)
at
157
Cette partie de la solution decrit le vieillissement et la mortalite progressive de la

population initiale.
b(a)n(a,t)da
t
II.
n(0,t) =
Z amax
a=t
I.
a
n(a, 0) = f (a)
F IG . 7.1
II.) Pour a < t, par contre, la condition initiale (7.7) est sans influence ; les individus
concernes sont tous nes entre linstant initial t = 0 et linstant considere. La solution
est donc conditionnee par la condition auxiliaire (7.6) qui sert de condition initiale
de sorte que
Z a

n(a,t) = n(0,t a) exp
m(s)ds
(a < t)
(7.11)
0
Cest cette dernière e quation qui conditionne le comportement de la solution n(a,t)

a` long terme.
7.1.2 Solution auto-similaire.

Examinons la possibilite doccurrence dune solution du type
n(a,t) = e t g(a)
(7.12)
Une telle solution auto-similaire est caracterisee par une structure des a ges constante a`
tous les instants ; seul le nombre total dindividus varie au cours du temps.
Substituant (7.12) dans (7.6) et (7.11), on a

Z a
g(a) = g(0) exp a
m(s)ds
(7.13)
0
et
g(0) =
Z amax
b(a)g(a)da
= g(0)
Z amax
0
b(a) exp a
158
Z a
0
m(s)ds da
(7.14)
Posant
() =
Z +amax
0

Z a
b(a) exp a
m(s)ds da
(7.15)
on observe que (27) ne represente une solution du problème que si est la solution unique
de lequation1
() = 1
(7.16)
Si (0) > 1, la solution de (7.16) definit une valeur > 0 et la population crot
exponentiellement au cours du temps. Si (0) < 1, la solution de (7.16) correspond a`
une valeur negative de et la population decline exponentiellement.
Considerons le cas particulier où b(a) est non nul uniquement au voisinage de
a = a0 et où la mortalite est une fonction lineaire de lage, i.e. b(a) = (a a0 ) et
m(a) = m0 + a. Il vient

Z +
Z a
() =
(a a0 ) exp a
m(s)ds da
0
0

Z +
a2
=
(a a0 ) exp a m0 a
da
(7.17)
2
0

a20
= exp a0 m0 a0
2
La population ne pourra donc se maintenir que si

a20
1
exp m0 a0
2
(7.18)
7.2 Advection unidimensionnelle.

Ladvection unidimensionnelle dun constituant passif, i.e. ne subissant aucune
transformation physique, biologique ou chimique, donne lieu a` une e quation semblable a`
(7.5). Si C(x,t) designe la concentration au point x au temps t, on a, en effet2 ,
C
C
+u
=0
t
x
(7.19)
où u(> 0) designe la vitesse du courant responsable de ladvection du constituant

considere. Pour resoudre cette e quation, on doit logiquement disposer de conditions
initiales
C(x, 0) = f (x)
(7.20)
decrivant la distribution de la concentration au temps t = 0 et dune condition limite
C(0,t) = g(t)
1 Cette
2 Cette
e quation admet une solution unique puisque () est une fonction decroissante de .
e quation sera e tablie plus loin dans le cas general tridimensionnel.
159
(7.21)
fixant la valeur de la concentration a` la limite amont (prise ici en x = 0) du domaine spatial

considere.
Ici encore, la solution est determinee par les conditions initiales et les conditions aux
limites du problème transportees le long des courbes x ut = Cte (Fig. 7.2) :
C(x,t) = C(x u(t ),t ),
(7.22)
C(0,t) = g(t)
II.
x = ut
I.
C(x, 0) = f (x)
F IG . 7.2
Dans le domaine I, situe sous la droite x = ut, la solution est entièrement determinee
par la distribution initiale f (x), laquelle est simplement translatee dune distance ut, i.e.
C(x,t) = f (x ut),
pour x > ut
(7.23)
Dans le domaine II, i.e. pour des temps superieurs a` x/u, la solution ne depend que de
la condition a` la frontière amont, i.e.
C(x,t) = g(t x/u),
pour x < ut
(7.24)
7.3 Generalisation et classification des EDP.

Les droites a t = Cte et x ut = Cte apparaissant dans les deux premières sections
sont connues sous le nom de caracteristiques. Dans le cas general, les caracteristiques
dune EDP ou dun système dEDP sont des courbes ou des surfaces de lespace des
variables independantes qui admettent la double interpretation suivante.
160
i. Les caracteristiques sont des courbes (ou des surfaces) le long desquelles se
propagent naturellement linformation et, en particulier, les conditions initiales.
ii. Il est impossible dextrapoler la solution au travers des caracteristiques.
Ces proprietes complementaires se retrouvent bien dans la discussion du modèle avec
structure dage et dans le modèle dadvection unidimensionnelle.
Lexistence de caracteristiques permet de classer les EDP. Considerons lequation du
second ordre
2 u
2 u
2 u
u
u
a 2 + 2b
+c 2 +e + f +g u = 0
(7.25)
x
xy
y
x
y
où a, b, c, d, e, f et g sont des fonctions reelles des variables independantes x et y.
Si ac < b2 , lequation possède deux familles de caracteristiques reelles. Les deux
caracteristiques qui se croisent en un point donne sont chacune porteuse dune partie
de la solution. La combinaison de ces deux e lements determine complètement la
solution. Lequation differentielle est dite hyperbolique.
Lequation hyperbolique du second ordre la plus simple est
2
2 u
2 u
c
=0
t 2
x2
(7.26)
Celle-ci decrit la propagation dondes a` la vitesse c dans un milieu unidimensionnel.

Si ac < b2 , lequation ne possède pas de caracteristiques (ou plus exactement, les
deux familles de caracteristiques sont complexes). Lequation est dite elliptique.
Le modèle de ce type dequation est lequation de Laplace
2 u 2 u
+
=0
x2 y2
(7.27)
Celle-ci decrit les deformations dune membrane tendue sur une courbe de support.
Si ac = b2 , lequation admet une seule famille de caracteristiques reelles. Elle est
dite parabolique.
Il en est par exemple ainsi de lequation de la chaleur
T
2 T
=k 2
t
x
(7.28)
decrivant la diffusion de la chaleur dans un milieu unidimensionnel au repos.

Il est a` noter que le type dune EDP est entièrement determine par les coefficients des
derivees dordre les plus e leves. Comme ceux-ci peuvent varier dun point a` lautre, le
type dune EDP peut e galement varier dun point a` lautre.
Les solutions des e quations hyperboliques, elliptiques et paraboliques presentent des
comportements differents.
161
7.3.1 Conditions initiales ou aux limites.

Les conditions initiales et aux limites sont generalement dun des trois types suivants :
Condition de Dirichlet : la valeur du champ inconnu u est imposee sur un segment
de la frontière du domaine e tudie.
Condition de Neumann : la derivee du champ selon la normale a` la frontière est
imposee.
Condition de Robin (ou de Newton) : on impose une combinaison des valeurs de u
et de sa derivee.
Le nombre total de conditions initiales ou aux limites necessaires pour definir une
solution unique dun problème aux derivees partielles est e gal (sauf exception) a` la somme
des ordres de derivation maximaux par rapport a` chacune des variables.
En general, pour chaque variable independante, on fixe un nombre de conditions
initiales/aux limites e gal a` lordre maximum de derivations par rapport a` cette variable.
Differentes combinaisons de conditions initiales/aux limites sont cependant generalement
appliquees aux e quations des trois types.
Problème hyperbolique.
Examinons dabord lequation hyperbolique
2 u
2 u
c
=0
t 2
x2
(7.29)
k
k
k
uik+1 2uki + uk1
2 ui+1 2ui + ui1
i
c
=0
t 2
x2
(7.30)
uki = u(t0 + kt, x0 + ix)
(7.31)
et sa discretisation naturelle
si on note
Cette discretisation suggère de faire avancer la solution dans le temps selon la
recurrence
uk+1
= f (uk1
, uki1 , uki , uki+1 )
(7.32)
i
i
162
x
L
Limite de la zone dinfluence de la C.L. en x = 0
i+1
b
i
i1
Solution entière determinee
b
b
par la condition initiale.
x
Limite de la zone dinfluence de la C.L. en x = L
k1
k+1
F IG . 7.3 Discretisation de lequation des ondes (7.29) dans un domaine spatial fini.
La figure 7.3 illustre la dependance de uk+1

en les valeurs discrètes aux instants
i
precedents dans le cas dun problème resolu dans un domaine spatial x [0, L] de
dimension finie. Les valeurs de linconnue uk+1
au nouveau pas de temps dependent
i
des valeurs dejà calculees appartenant au cone de dependance represente en jaune sur
la figure. Pour que la discretisation soit stable, il faut que les caracteristiques reelles
(x ct = Cte ) appartiennent au cone de dependance de la recurrence.
On constate que le calcul de la solution pour k = 1 demande de disposer des valeurs
de linconnues en k = 0 et k = 1. Ceci nest possible que si deux conditions auxiliaires
fournissent ces valeurs. Deux conditions initiales doivent donc e tre fixees en t = 0, par
exemple en imposant la distribution initiale de u et de sa derivee temporelle , i.e.
u(0, x) = f (x);
u
(0, x) = g(x)
t
(7.33)
De meme, si lindice i = 0 correspond a` une frontière du domaine spatial, le calcul

de la solution au voisinage de cette frontière (i.e. i = 1) demande quune information soit
disponible sur la frontière. Une condition aux limites doit e tre donnee en chaque point de
la frontière spatiale du domaine dintegration, i.e. une condition en x = 0 et une autre en
x = L. Par exemple, on imposera
u(t, 0) = h1 (t),
u(t, L) = h2 (t)
où h1 (t) et h2 (t) sont des fonctions connues du temps.

163
(7.34)
Remarquons que le nombre de conditions aux limites necessaires a` la resolution du

problème est bien e gal a` lordre des derivees partielles de chaque type apparaissant dans
(7.29).
Sur la figure 7.3, on a aussi represente les limites des zones dinfluence des conditions
aux limites du problème. Ces zones sont limitees par des caracteristiques du problème
differentiel. On remarque que la condition initiale determine complètement la solution
dans un domaine triangulaire adjacent a` laxe t = 0. Dans le cas dun domaine spatial
infini, ce triangle couvre lensemble de lespace et la solution ne depend que des
conditions initiales.
Problème elliptique.
Le problème elliptique
2 u 2 u
+
=0
x2 y2
(7.35)
ui+1, j 2ui, j + ui1, j ui+1, j 2ui, j + ui1, j

+
=0
x2
x2
(7.36)
ui, j = u(x0 + ix, y0 + j j)
(7.37)
ui, j = f (ui+1, j , ui1, j , ui+1, j , ui, j1)
(7.38)
donne lieu a` la discretisation
où
soit
La figure 7.4 illustre la dependance entre les variables resultant de cette discretisation.
La valeur de linconnue en un point est une fonction de toutes les valeurs voisines.
Il ny a pas de direction preferentielle de propagation de linformation (pas de
caracteristique).
164
j+1
b
b
b
j1
y
i1
i+1
F IG . 7.4 Discretisation de lequation elliptique (7.35) dans un domaine fini.
Une solution unique peut e tre generee a` linterieur dun domaine borne en tout point
de la frontière duquel une condition limite unique est imposee.
Problème parabolique.
Lequation parabolique
u
2 u
= 2
t
x
(7.39)
uk 2uki + uki1
uk+1
uki
i
= i+1
t
x2
(7.40)
donne lieu a` la discretisation
Ceci conduit a` une dependance semblable a` celle de lequation hyperbolique, soit

uk+1
= f (uki , uki+1 , uki1)
i
(7.41)
Pour des raisons de stabilite de schema numerique, il est cependant generalement

necessaire de traiter les e quations paraboliques de facon implicite (au moins
partiellement). En effet, on associe une vitesse de propagation infinie a` lequation (7.39) :
toute perturbation en un point se fait sentir instantanement en tous les points du domaine.
Afin de pouvoir representer cet effet numeriquement, on e crira

i
uk+1
uki
h
k+1
k+1
i
= 2 uki+1 2uki + uki1 + (1 ) uk+1
2u
+
u
i
i+1
i1
t
x
165
(7.42)
Dès lors, toutes les variables dun meme pas de temps sont liees entre-elles par des
e quations algebriques du type
k+1 k+1
g(uk+1
, ui+1 ) = f (uki , uki+1 , uki1)
i1 , ui
(7.43)
En raison de ces e quations, toutes les valeurs au nouveau pas de temps k + 1 doivent e tre
determinees simultanement.
La dependance entre les valeurs de la discretisation est illustree a` la figure 7.5.
x
L
i+1
i1
b
b
b
b
k1
k+1
F IG . 7.5 Discretisation partiellement implicite de lequation de la chaleur (7.39) dans

un domaine spatial fini.
Cette fois, une seule condition initiale doit e tre imposee. Dans un domaine borne
(x [0, L]), une condition limite supplementaire doit e tre appliquee en chacune des
extremites de lintervalle [0, L], ou, plus generalement, en chaque point de la frontière.
Ceci permet de determiner complètement la solution pour tout t > 0.
7.4 Modèle 1D dadvection-diffusion-migration.

Le mouvement des substances dissoutes ou en suspension ainsi que des organismes
presents dans le milieu marin peut e tre represente comme la combinaison de trois
processus.
On designe par advection le mouvement qui resulte du transport ordonne par le
fluide en mouvement ; celui-ci est donc caracterise par la vitesse w du fluide.
166
La diffusion represente leffet resultant des mouvements aleatoires des differentes

particules e tudiees qui se superpose au mouvement densemble (advection). La
diffusion ne saccompagne daucun mouvement net mais entrane, generalement,
une homogeneisation des proprietes ; elle est caracterisee par un coefficient de
diffusion .
La migration et la sedimentation representent les mouvements ordonnes,
independants du mouvement densemble du fluide. Certaines espèces sont ainsi
capables de mouvement propres a` la recherche de nourriture ou de conditions
environnementales favorables. De meme, les particules plus denses (ou plus
legères) que leau dans laquelle elles baignent subissent des mouvements verticaux
propres. Ces processus sont caracterises par une vitesse de migration ou de
sedimentation ws .
Si on sinteresse aux seuls mouvements verticaux dans la colonne deau, lequation
differentielle decrivant ces differents processus secrit3 , pour la concentration C dune
grandeur quelconque,

C
C
C
+ (w + ws )
=
(7.44)
t
z
z
z
où t designe le temps et z represente la coordonnee verticale (croissante vers le haut).
En labsence de terme de diffusion ( = 0), lequation 7.44 se reduit a`
C
C
+ (w + ws )
=0
t
z
(7.45)
qui est en tout point semblable a` (7.5) avec une mortalite nulle. Lequation est donc de
nature hyperbolique et decrit le transport passif le long de la caracteristique
z (w + ws )t = constante
(7.46)
En dautres termes, la distribution initiale est simplement translatee a` la vitesse (w + ws ).

En labsence de terme dadvection et de migration, (w + ws = 0), lequation (7.44) se
reduit a`

C
C
=
(7.47)
t
z
z
Elle est donc de nature parabolique et decrit la distribution progressive de la distribution
initiale.
Le modèle 1D vertical (7.44) sappliquant generalement a` la colonne deau, il doit
e tre resolu dans un domaine limite par la surface et le fond. Differentes conditions limites
peuvent alors e tre appliquees selon la nature de la grandeur C e tudiee. Remarquons
cependant que lequation est du second ordre par rapport a` la coordonnee spatiale et
requiert donc deux conditions aux limites (en chaque instant) en plus de la donnee de
la distribution initiale en tout point de la colonne deau.
3 La
derivation de cette e quation sera explicitee plus loin dans le cas general tridimensionnel.
167
Considerons tout dabord le cas de la temperature C = T . Dans ce cas, on a

e videmment ws = 0. Au fond, on considère generalement que le flux de chaleur est nul.
Dès lors on imposera la condition limite
wT
T
=0

z f ond
(7.48)
correspondant a` lannulation du flux total (advectif + diffusif). Par continuite, la vitesse

verticale du fluide doit elle-meme sannuler au fond (suppose horizontal). Dès lors, cette
condition se reduit a`
T

=0
(7.49)
z f ond
La meme condition peut e tre appliquee en surface (tenant compte e galement de
lannulation de la vitesse verticale a` cet endroit). Cependant, pour tenir compte de
lechange de chaleur avec latmosphère, on e crira generalement
1
T
=
Jheat

z sur f ace c p
(7.50)
où Jheat designe le flux de chaleur en surface (quantite de chaleur traversant la surface
par unite de surface horizontale et par unite de temps), et c p representent la masse par
unite de volume et la chaleur massique de leau. Ce flux de chaleur depend a` la fois de
letat de latmosphère et de la temperature de leau en surface. En effet, lechange de
chaleur sensible entre la colonne deau et lair depend de la difference de temperature
entre ces deux milieux. De meme, levaporation et les radiations en ondes longues issues
des couches superficielles depend de la temperature de leau et de lhumidite specifique
des lair environnant. La prise en compte des differents facteurs influencant lechange
thermique est extremement complexe. Une modelisation simple de ces e changes est
cependant possible sous la forme
T
= Q + (Tair Tsur f ace )

z sur f ace
(7.51)
où les coefficients Q et permettent une modelisation globale des differents processus
responsables de lechange.
Dans le cas où les donnees sont insuffisantes pour e valuer le flux de chaleur en surface
(ou les coefficients Q et de la formulation (7.51)) mais que les observations satellitaires
decrivent levolution de la temperature en surface, on peut e galement e crire
T

= (Tobs Tsur f ace )
z sur f ace
(7.52)
qui introduit un terme de rappel (nudging) de la temperature calculee Tsur f ace vers
la temperature observee Tobs . Lintensite de ce terme de rappel est gouvernee par le
paramètre representant linverse du temps caracteristique du rappel.
168
Dans le cas de la concentration de particules soumises a` la sedimentation (ws < 0),

plusieurs possibilites peuvent apparatre. Ainsi, si les conditions hydrodynamiques ne
permettent pas le depot par sedimentation sur le fond, on aura (tenant compte de w = 0 au
fond)
C
wsC
=0
(7.53)
z f ond
Si les conditions sont calmes et que les particules se deposent sur le fond, on e crira par
contre
C

=0
(7.54)
z f ond
de sorte que le flux de depot sur le fond est donne par wsC. Si un flux exterieur Jsur f ace est
impose en surface, par exemple lie aux particules se deposant sur la surface en provenance
de latmosphère, on aura
C
= Jsur f ace
(7.55)
wsC
z sur f ace
7.5 Modèle general tridimensionnel.
Lequation generale gouvernant la dynamique de toutes les substances presentes dans

le milieu marin peut e tre e tablie a` partir dun bilan de masse de cette substance sur un
volume de reference quelconque.
7.5.1 Equation
de continuite.
Avant de considerer une substance quelconque, examinons dabord le cas particulier
de leau elle-meme. Delimitons, par la pensee, un volume de reference V , fixe mais
de forme quelconque. Soit la surface laterale de ce volume et n la normale unitaire
exterieure. La masse totale du fluide comprise dans le volume de controle est donnee par
M (t) =
ZZZ
dV
(7.56)
où designe la masse par unite de volume. Le transport du fluide au travers de la surface
laterale du volume de controle constitue la seule cause possible de variation de M (t).
Pendant un petit instant dt, la masse de fluide traversant un petit e lement d de normale
n, est donnee par
n vddt
(7.57)
où v et designent la vitesse et la masse du fluide a` lendroit et a` linstant consideres. En
travaillant par unite de temps et en integrant sur la surface laterale totale du volume de
controle, on obtient
ZZ
d
M (t) =
v n d
(7.58)
dt
169
Remarquons que le signe moins devant lintegrale du membre de droite trouve ici sa
justification puisque laugmentation de la masse M saccompagne dun flux net negatif
au travers de la surface . Il vient donc
ZZZ
ZZ
d
dV =
v n d
(7.59)
dt
qui constitue lexpression integrale de la loi de conservation de la masse ou loi de

continuite.
Une expression local de la continuite peut e tre obtenue en utilisant le theorème de
Gauss, lequel e tablit (sous certaines conditions qui seront considerees rencontrees ici)
legalite
ZZZ
ZZ
V
FdV =
F nd
(7.60)
pour tout champ vectoriel F et tout volume V de surface et de normale exterieure n.

Appliquant ce resultat pour transformer le membre de droite de (7.59), on obtient

ZZZ
+ (v) dV = 0
(7.61)
t
En derivant la relation (7.61), aucune hypothèse na e te faite sur le volume de controle.

Celui-ci est quelconque. Aussi, lannulation de lintegrale dans (7.61) ne peut resulter
dun choix particulier du volume de controle mais implique lannulation de lintegrand
lui-meme. Dès lors, on obtient la forme locale de lequation de continuite
+ (v) = 0
(7.62)
t
En developpant le second terme, lequation de continuite peut encore secrire
ou encore
+ v + v = 0
t
(7.63)
Dt + v = 0
(7.64)
en introduisant loperateur de derivee materielle (ou totale)
(. . .) + v (. . .)
(7.65)
t
qui mesure le taux de variation dune grandeur pour une particule fluide donnee.
La forme (7.64) est bien adaptee pour faire apparatre les simplifications appropriees
a` loceanographie. En effet, en bonne approximation, leau de mer, melange dun grand
nombre de substances differentes, peut e tre consideree incompressible4 de sorte que
Dt = 0 et donc
v = 0
(7.66)
Dt (. . .) =
4 Dans l
etude de lhydrodynamique marine, on ignore les variations de densite de leau de mer sauf dans
la projection de lequation de quantite de mouvement sur la verticale où les petites variations de densite
sont amplifiees par la multiplication par lacceleration de pesanteur g. Ceci donne naissance au concept de
poussee.
170

7.5.2 Equation
de bilan.
Le bilan de masse des substances (ou organismes) dissoutes ou en suspension peut
e tre formalise comme dans la section precedente. Soit C la concentration volumique, i.e.
par unite de volume, de la substance e tudiee.
La masse totale de cette substance dans un volume de controle quelconque est donnee
par
ZZZ
M C (t) =
(7.67)
CdV
Evaluons
maintenant les taux de variations de cette masse induits par les differents
processus en jeu.
La substance est dabord transportee par le fluide au travers de la frontière du
volume de controle. Le flux total (masse par unite de temps) correspondant est
donne par lintegrale
ZZ
Cv n d
(7.68)
où le signe negatif est introduit pour quune valeur positive de ce terme corresponde
a` une augmentation de la masse au sein du volume de controle.
La substance est e galement soumise a` la diffusion. Celle-ci represente les
mouvements desordonnes des particules fluides qui ne produisent aucun
mouvement net mais induisent, a` petite e chelle du moins, lhomogeneisation
progressive des proprietes du fluide. Selon le modèle classique de Fourier-Fick, le
flux de diffusion Jdi f f est suppose proportionnel au gradient de la propriete e tudiee,
soit
di f f
JC = C
(7.69)
où le coefficient est le coefficient de diffusion. Le signe negatif est introduit dans
cette expression car le transport seffectue de la zone de plus forte concentration
vers les zones où la concentration est plus faible et seffectue donc dans le sens
oppose a` celui du gradient (pour rappel, le gradient pointe toujours dans la direction
de croissance la plus rapide de la grandeur).
Dans le cas de lequation de continuite, ce terme e tait absent puisque la diffusion
de leau dans leau ne correspond a` aucun transfert de masse.
Integrant les flux de diffusion sur la surface totale du volume de controle, il vient
ZZ
di f f
JC
n d =
ZZ
C n d
(7.70)
Les termes de sedimentation et migration e ventuels se traitent de la meme facon

que le terme dadvection en remplacant la vitesse v du fluide par la vitesse de
migration/sedimentation vs/m .
La substance peut e galement subir des transformation physico-chimiques avec
ou sans interaction avec dautres substances. De meme, les organismes peuvent
interagir entre-eux. La modelisation et letude de ces interactions a` fait lobjet
du chapitre 6. Ici, nous representerons leur effet sous la forme dun terme de
171
production-destruction dont le taux par unite de volume est donne par Qc . Ce taux
est positif dans le cas dune production et negatif dans le cas de la disparition du
constituant C. Dans le volume de controle, on a donc
ZZZ
Qc dV
(7.71)
En regroupant tous les termes introduits ci-dessus, le bilan global de la substance C

dans le volume de controle secrit
d
dt
ZZZ
CdV =
ZZ
C(v + vs/m ) n d +
ZZ
C n d +
ZZZ
Qc dV
(7.72)
Cette expression integrale peut e tre transformee en utilisant le theorème de Gauss

(7.60),
ZZZ h
i

C
+ C(v + vs/m ) C Qc dV = 0
(7.73)
t
Le volume de controle e tant arbitraire, on en deduit, comme precedemment,

C
+ C(v + vs/m ) C Qc = 0
t
(7.74)
qui represente lexpression generale de lequation de bilan dune substance quelconque

dans le milieu marin.
Lequation (7.74) peut e tre par particularisee pour les differentes substances en
adaptant (et en introduisant au besoin une parametrisation adaptee) les expressions du taux
de production-destruction, de la vitesse de sedimentation (et e ventuellement du coefficient
de diffusion).
Les substances pour lesquelles Qc = 0 sont qualifiees de passives. Celles-ci sont
simplement transportees par le fluide sans subir aucune transformation.
Les substances dont la dynamique ne depend que de leur propre concentration
sont dites semi-passives. Ainsi en est-il des substances qui subissent une desintegration
radioactive (Qc = C). Leur e volution peut e tre simulee independamment de celle des
autres substances.
Enfin, les substances actives interagissent entre-elles et leur dynamique ne peut donc
e tre apprehendee que globalement.
7.5.3 Integration dans lespace detat.

Lequation (7.74) est valable pour nimporte quelle substance. Or, leau de mer est un
melange dun ensemble incommensurable de substances differentes quil est impossible
de decrire simultanement dans un seul modèle. Pour obtenir un modèle mathematique
reellement utile et aisement manipulable, il est essentiel de conserver uniquement un
nombre reduit de variables detat, i.e. de reduire la portee de ce modèle. Cest lessence
meme de la demarche de modelisation que de selectionner un ensemble limite de variables
detat permettant de decrire le comportement du système reel de facon adequate tout en
172
limitant la taille du modèle pour en permettre la calibration, la validation, la resolution

numerique et linterpretation des resultats.
La complexite dun modèle depend e videmment de la complexite, et en particulier
de la non linearite, de la dynamique du système reel. Elle depend e galement du propos
et de lobjectif de letude realisee. Sagit-il dune e tude scientifique, dune expertise,
dun travail preparant une decision urgente ou a` long terme ? Est-il utile dintegrer
les aspects biologiques, chimiques, e conomiques,. . . ou peut-on se limiter au aspects
hydrodynamiques ? Une première simplification de la realite est donc apportee par
sectorisation, i.e. la limitation a` un sous-modèle e cologique, physique, e conomique, . . .
Le nombre de variables detat peut e galement e tre reduit par agregation, i.e. en
se limitant aux caracteristiques globales densembles de variables detat qui forment
des compartiments. Lintroduction du concept de salinite constitue un bel exemple
dagregation puisque la salinite decrit en realite la concentration dun nombre important
de sels dissous. De meme, on peut sinteresser a` lazote global dans le système, sans
tenir compte des differentes formes sous lesquelles cet azote est present (nitrite, nitrate,
ammonium, N2 , matière organique,. . . ). Dans les modèles decosystèmes, on intègre
souvent les differentes espèces de producteurs primaires en un ou plusieurs groupes
phytoplanctoniques. Dans ce cas, laggregation peut e galement e tre realisee dun point
de vue fonctionnel et non pas biologique ou physiologique.
Dun point de vue mathematique, lagregation de plusieurs variables detat revient
generalement a` definir des moyennes ponderees de ces variables et de leurs e quations
devolution. Ainsi, definissons la concentration de lagregat par
N
Cag = iCi
(7.75)
i=1
où Ci sont les concentrations des espèces de base et i des constantes definissant le poids
respectif de ces differentes espèces dans lagregat. La dynamique de chacune des espèces
de base est decrite par une e quation du type

Ci
+ Ci (v + vis/m ) Ci Qic = 0
t
Calculant la moyenne ponderee de ces e quations comme dans (7.75), il vient

i

h
N
N

C
i
i
C
v
C
=
i t
i Qic (Civis/m)
i=1
i=1
(7.76)
(7.77)
Les differents termes du membre de gauche ne posent aucun problème. Ils sexpriment
aisement en terme de la nouvelle variable Cag :
i

N

Cag
C
i
i
(7.78)
i t + C v C = t + (Cag v) Cag
i=1
Par contre, les termes places dans le membre de droite font toujours apparatre les
concentrations partielles Ci . Afin de reduire la portee du modèle, il est indispensable de
173
developer des parametrisations appropriees de ces termes qui ne font apparatre que les
seules variables relatives aux compartiments retenus dans le modèle afin de pouvoir e crire

Cag
ag
+ (Cag v) Cag = Qag (Cag vs/m )
t
(7.79)
Alors que les termes de production-destruction Qic et de migration/sedimentation vis/m

des differentes espèces prises individuellement peuvent generalement e tre parametrises
en se basant sur des resultats experimentaux simples, il nen va plus de meme pour
les termes correspondants de lagregat. Les taux dinteractions correspondant ne sont
en effet plus directement accessibles a` lexperience ou ne sont pas des caracteristiques
biologiques ou chimiques intrinsèques. Le terme de migration/sedimentation constitue
un exemple simple de cette difficulte. Alors, que les particules en suspension de meme
nature peuvent generalement e tre caracterisees par des vitesses de sedimentation vis/m
bien definies dependant de leur taille, lagregat constitue des particules en suspension
ag
sans distinction de tailles peut difficilement e tre caracterise par une vitesse unique vs/m .
Il en va de meme de la modelisation des interactions.
Remarquons que les niveaux intermediaires dagregation sont les plus sensibles a` ces
problèmes de parametrisation. Lorsque le niveau dagregation est très e leve, la dynamique
globale est generalement plus simple et, avec elle, les problèmes de parametrisation.
7.5.4 Fenetre spectrale.

De meme quil est necessaire de reduire la portee dun modèle par sectorisation et
agregation, il est e galement necessaire de choisir une e chelle de temps.
Que ce soit en raison de leur dynamique propre ou des forcages auxquels ils sont
soumis, les systèmes reels sont generalement le siège des processus caracterises par des
e chelles de temps très differentes quil est impossible de decrire par un seul modèle.
Aucun modèle ne peut representer le spectre de frequence tout entier, des processus
moleculaires aux bouleversements climatiques, de la biologie des micro-organismes a`
lecologie de lenvironnement global.
La multiplicite des e chelles temporelles est fortement influencee par la dynamique
non-lineaire des systèmes. Les systèmes lineaires sont en general caracterise par un petit
nombre de temps caracteristiques intrinsèques. De plus, leur reponse a` une excitation
exterieure possède exactement la meme frequence que la sollicitation. Dans le cas dun
système non lineaire, il en va tout autrement. En effet, les non-linearites entranent des
e changes entre des processus dechelles de temps (et despace) differentes accompagnes
de transfert e nergetiques animant toutes les composantes du spectre. Parallèlement, les
forcages internes et externes agissant sur le système tendent, comme dans le cas lineaire, a`
intensifier des composantes particulières dans des domaines dechelles correspondant aux
leurs. Dès lors, le spectre dune variable detat dun système non lineaire est naturellement
constitue dune succession de pics et de vallees.
La figure 7.6 presente une vue schematique des differentes e chelles de temps
caracterisant les processus physiques en milieu marin. Comme on peut le voir, les
174
processus couvrent une vaste gamme de temps caracteristiques, de moins dune seconde
a` lechelle climatique, de la diffusion moleculaire a` la circulation oceanique profonde.
10 8
circulation
thermo-haline
marees
10 6
1000 km
circulation
tourbillons
geostrophiques
longueur caracteristique (m)
10 4
ondes
inertielles
1 km
fronts
ondes
internes
10
houle
ondes
accoustiques
tempetes
10 0
couche
de
melange
1m
micro
turbulence
10 -2
1 cm
1 seconde
10 -2
10 0
1 minute
1 heure
10 2
10 4
1 jour
10
1 an
10 6
10 8
10
100 1000
10 10
temps caracteristique (s)
F IG . 7.6 Echelles
caracteristiques de temps et despace de la variabilite marine.
Comme le montre lequation generale (7.74), lhydrodynamique influence la

dynamique des substances dissoutes et en suspension directement par le biais des
processus dadvection et de diffusion (et indirectement par le controle de la distribution
de la temperature et de la salinite). Les e chelles de temps des processus hydrodynamiques
se retrouvent donc e galement au niveau des processus biologiques et chimiques. Plus
exactement, les processus biologiques et chimiques interagissent avec les processus
hydrodynamiques qui possèdent des temps caracteristiques proches lun de lautre.
Un modèle particulier ne peut esperer representer quune gamme particulière
dechelles temporelles, i.e. une fenetre spectrale, qui definit louverture du modèle. Bien
e videmment, le choix dune telle fenetre doit toujours correspondre aux e venements
intenses associes au pic du spectre correspondant a` lobjectif du modèle. Dans ce
cadre, les variables detat sont e galement specifiees par leur e chelle caracteristique de
temps et constituent des moyennes representatives dune fenetre spectrale. Elles peuvent
175
e tre definies mathematiquement comme des moyennes temporelles glissantes effectuees

sur une periode de temps T correspondant a` la vallee spectrale en aval immediat du
pic e tudie. Grace a` cette operation de moyenne, les phenomènes a` plus petite e chelle
que la fenetre spectrale retenue ne sont pas resolus par le modèle mais e limines par
filtrage. Les phenomènes dont les temps caracteristiques excèdent la limite superieure
de la fenetre spectrale retenue, ne seront pas non plus modelises mais sont sous-jacents
dans la definition du contexte general du problème et des conditions initiales. Enfin,
seuls les processus appartenant a` la fenetre spectrale retenue sont modelises et decrits
explicitement.
Lequation generale (7.74) est a priori valable pour decrire toutes les e chelles de
temps. Pour examiner leffet de la definition des variables operantes du modèle par
filtrage, decomposons les differentes variables selon
y = y + y
(7.80)
où y =< y > designe la variable operante dans la fenetre spectrale retenue et y represente
la fluctuation a` plus haute frequence superposee. On a donc
< y >= 0,
< y >= y
(7.81)
Appliquant loperateur de moyenne < . . . > a` chacun des termes de (7.74), on obtient

C
+ C v + < C v > = C + < Qc > < Cvs/m >
t
(7.82)
i.e. les fluctuations disparaissent de tous les termes lineaires mais pas des termes non
lineaires.
Comme dans le cas de lagregation, la parametrisation des termes de productiondestruction (et, dans une moindre mesure, celle de la sedimentation/migration) doit e tre
adaptee pour faire apparatre uniquement les variables moyennes y.
Par exemple, dans
le cas dun processus qui depend fortement du cycle jour-nuit, comme beaucoup de
processus biologiques, il peut e tre très difficile de filtrer ces oscillations et de degager une
parametrisation appropriee sappuyant sur des variables moyennes defines par un temps
caracteristique bien superieur a` 24 heures.
Sans entrer dans le detail de la parametrisation de ces termes, le terme dadvection
illustre la complexite de cette procedure. En effet, la moyenne du terme non lineaire
dadvection donne naissance a` deux termes dans (7.82) :
< Cv >= C v + < C v >
(7.83)
Le premier terme correspond au produit des valeurs moyennes et se trouve sous une forme
appropriee. Le second terme, par contre, fait apparatre exclusivement les fluctuations.
Cette moyenne du produit des fluctuations peut jouer un role important dès quil existe une
correlation significative entre les variables. Dans ce cas, il ne peut e tre ignore mais il ne
peut pas non plus e tre integre tel quel au modèle operant dans la fenetre spectrale choisie.
176
Pour obtenir une parametrisation appropriee de cette moyenne du produit de fluctuations,

on e met generalement lhypothèse que ces termes contribuent a` luniformisation spatiale
des proprietes, comme le processus de diffusion moleculaire dont tient compte. Dès
lors, on introduit une parametrisation semblable a` celle de la diffusion moleculaire, i.e.
C
< C v >=
(7.84)
designe le coefficient de diffusion turbulente. Le mecanisme de cette diffusion est

où
essentiellement gouvernee par lecoulement lui-meme : le melange est effectue par les
tourbillons aux e chelles temporelles inferieures a` la fenetre spectrale choisie. En raison
de la taille importante de ces tourbillons, le melange est beaucoup plus efficace et rapide
que le melange par diffusion moleculaire. Lintensite du melange, et avec elle la valeur
depend essentiellement de lenergie associee a` ces tourbillons non resolus et est
de ,
identique pour toutes les substances. On e crit generalement
(7.85)
où k designe lenergie cinetique des fluctuations turbulentes et la longueur
caracteristique des plus grands tourbillons non resolus.
Il faut remarquer que, alors que la diffusion moleculaire est isotrope, i.e. presente
la meme efficacite dans toutes les directions de lespace, la diffusion turbulente devient
anisotrope a` partir dune certaine e chelle. Dune part, en effet, les mers et oceans
presentent des longueurs caracteristiques horizontales bien superieures aux longueurs
caracteristiques verticales (limitees par la profondeur). Dautre part, la stratification inhibe
les e changes verticaux. Il en resulte que les tourbillons oceaniques sont generalement
plutot bidimensionnels que tridimensionnels. Dès lors, la diffusion selon les directions
horizontales et verticale est caracterisee par des intensites differentes et des coefficients
de diffusions differents. On e crira donc
v
h hC
< C v >=
C
z
(7.86)
h et
v designent les coefficients de diffusion horizontale et verticale et
où
h =
ex + ey
x
y
(7.87)
designe la partie horizontale de loperateur . De meme, la diffusion verticale e tant

inhibee par la stratification, on e crira
v = (Ri ) k
(7.88)
où (Ri ) est une fonction decroissante du nombre de Richardson mesurant la
stratification, i.e.
b
N2
Ri = z = 2
(7.89)
v v
M
z z
177
où b designe la poussee, N la frequence de Brunt-Vaisala et M la frequence de Prandtl.

Adoptant la parametrisation decrite ci-dessous et interpretant toutes les variables
comme des moyennes correspondant aux variables operantes du modèle dans la fenetre
spectrale choisie (en laissant tomber les barres), la forme generale de lequation
gouvernant la dynamique des substances dissoutes et en suspension est donnee par

h
i

C
C
+ (v + vs/m )C = h h hC +
v
+ Qc
(7.90)
t
z
z
Ce modèle separant les dimensions horizontale et verticale considère cependant une

stratification purement horizontale. Il est physiquement plus realiste de representer le
processus de diffusion par deux termes correspondant respectivement a` la diffusion
isopycnale, i.e. le long des surfaces degale densite, et diapycnale, i.e. au travers du
gradient de densite. Une forme plus generale de (7.90) est donc donnee par
h
i

C
+ (v + vs/m )C = K C + Qc
(7.91)
t
où K designe un tenseur de diffusion.

Remarquons
que
cette
parametrisation
generale
de
la
diffusion
est generalement appropriee pour les e tudes decrivant explicitement les mesoechelles
(temps caracteristiques de quelques heures a` quelques jours). Pour des modelisation a`
des e chelles de temps plus grandes, la resultante non lineaire des processus a` mesoechelle
peut ne pas correspondre a` une homogeneisation, meme anisotrope, des proprietes mais
induire une structure spatiale bien definie.
7.5.5 Integration spatiale.

` partir du modèle tridimensionnel general (7.91) de lequation devolution, des
A
modèles simplifies peuvent e tre construits en integrant cette e quation selon une ou
plusieurs dimensions spatiales.
Modèle 0D.
Lintegration de (7.91) sur un volume V selon les trois dimensions de lespace conduit
a` un modèle bote ou modèle 0D ne permettant pas de decrire les variations spatiales
des grandeurs e tudiees. En effet, les variables dun tel modèle sont definies, a` partir des
grandeurs variables spatialement, par
MC =
ZZZ
CdV
(7.92)
et representent donc la masse totale comprise dans le volume V considere.

Integrant chacun des termes de (7.91) sur le volume V , il vient
ZZZ
ZZZ
h
i
dMC
=
Qc dV +
K C (v + vs/m )C dV
dt
V
V
178
(7.93)
Transformant la dernière integrale en integrales de flux par le theorème de Gauss, on

obtient
ZZZ
ZZZ

dMC
=
Qc dV +
K C (v + vs/m )C n d
(7.94)
dt
V
Cette expression constitue lequation de bilan pour le constituent C : les variations

temporelles de la masse de C sont dues aux interactions dans le domaine considere et
aux e changes au travers de la frontière (frontières laterales, surface et fond).
Les integrales de flux apparaissant dans le membre de droite de (7.94) correspondent
aux conditions aux limites du modèle 3D initial. Ainsi donc, par integration spatiale, les
conditions aux limites ne forment plus des conditions auxiliaires du problème principal
mais sont totalement integrees a` lequation differentielle ordinaire decrivant la dynamique
de MC .
Remarquons que les termes de flux de (7.94) dependent de la concentration C a` la
frontière du domaine e tudie alors que la variable detat MC ne permet pas den decrire les
variations spatiales. Il est donc necessaire de developper une parametrisation des e changes
(sauf pour les flux qui ne dependent pas explicitement de la concentration C au sein du
domaine e tudie) au travers de la frontière en fonction de MC . Cette parametrisation
constitue necessairement une approximation des flux reels. En general, faute de mieux,
on suppose que la distribution de C est uniforme au sein du volume V et que la valeur a` la
frontière est donc donnee par MC /V .
La meme hypothèse duniformite (ou celle dune distribution spatiale fixee et
independante du temps) est necessaire pour parametriser les termes dinteraction. Cette
hypothèse est e videmment très restrictive et ne sapplique pas a` un grand nombre de
problèmes dinteraction où le taux de production/destruction depend cruellement de la
probabilite de rencontre de deux espèces (chimiques ou biologiques).
Modèle 1D.
Trois types de modèles unidimensionnels sont possibles.
Lorsquon e tudie une rivière, on peut e tre tente dintegrer les e quation sur la section
de la rivière. Les variables detat du modèle sont alors les concentrations moyennes
sur ces sections. Elles varient en fonction de la coordonnee longitudinale selon la
direction decoulement de la rivière.
Lintegration selon les deux coordonnees horizontales, conservant donc la
dimension verticale, est particulièrement bien adaptee a` la modelisation des
e cosystèmes marins. De nombreux processus (dont la photosynthèse) dependent
en effet de leclairement, lequel varie principalement avec la profondeur, et/ou de
la temperature. Levolution de la thermocline constitue generalement un e lement
capital de la dynamique.
Dans certaines e tudes globales de locean, les grandeurs caracteristiques sont
integrees sur la profondeur et sur la longitude pour mettre en e vidence les variations
en fonction de la latitude.
179
Lexpression particulière de ces modèles peut e tre obtenue en integrant lexpression

generale (7.91). Dans tous les cas, cette integration introduit des termes de flux
supplementaires dans les e quations et demande une parametrisation des flux et
interactions en fonction de grandeurs moyennes.
7.5.6 Modèle 2D.

Deux versions differentes de modèles 2D peuvent e tre envisagees.
Dans la première, les e quations 3D initiales initiales sont integrees selon une
dimension horizontale. Les variables detat dependent alors explicitement du temps,
dune coordonnee spatiale horizontale et de la profondeur. Elles sinterprètent
alors comme des moyennes sur une tranche verticale docean. De tels modèles
sont utiles dans des e tudes de processus où une direction horizontale peut e tre
privilegiee. Cest par exemple le cas, dans des modèles simplifies du talus
continental ou dautres zones dupwelling.
Lintegration des e quations 3D selon la coordonnee verticale a e te très souvent
servi de base a` la construction des premiers modèles hydrodynamiques des mers
continentales. La dynamique des marees et des tempetes peut en effet e tre decrite
avec une très haute fidelite au moyen de tels modèles. Ici, les variables doivent e tre
considerees comme des valeurs moyennes sur la colonne deau.
Une approche semblable est suivie dans certains modèles biologiques où les
e quations 3D sont integrees sur la couche de melange en sappuyant sur
lhomogeneisation rapide des proprietes dans cette couche.
Considerons ici les aspects mathematiques de lintegration verticale sur toute la
colonne deau.
La frontière superieure du domaine est materialisee par la surface libre de la mer.
Mesurant lelevation de cette surface libre par rapport a` un niveau de reference, lequation
de cette surface secrit sous la forme
(x, y,t) z = 0
(7.95)
h(x, y) + z = 0
(7.96)
De meme, lequation du fond secrit
Dans ces deux relations, on suppose que la coordonnee verticale z est mesuree
positivement vers le haut. Remarquons que le fond est ici considere independant du
temps (au contraire de la surface libre qui e volue au cours du temps). Cest e videmment
une bonne approximation pour beaucoup de processus et pour des e chelles de temps
inferieures a` lechelle des mouvements sedimentaires ou geologiques.
La surface et le fond constitue des frontières naturelles du fluide que celui-ci ne peut
traverser. On en deduit que la derivee materielle des relations (7.95) et (7.96) est nulle,
180
soit
+ us + vs ws = 0
t
x
y
h
h
uf +vf +wf = 0
x
y
(7.97)
(7.98)
où (us , vs , ws ) et (u f , v f , w f ) designent les trois composantes de la vitesse respectivement

a` la surface et au fond. Geometriquement, la condition (7.98) impose que la vitesse du
fluide est parallèle au fond. La condition (7.97) peut e tre interpretee de facon semblable a`
la surface mais intègre, en plus, leffet des variations temporelles de la hauteur deau.
Considerons tout dabord lequation de continuite (7.66), i.e.
u v w
+ +
=0
x y z
(7.99)
(cas particulier de lequation generale (7.90) avec C = 1) et integrons celle-ci selon la

coordonnee verticale. Il vient
Z
u
h
dz +
Z
v
h
dz + ws w f = 0
(7.100)
Les deux integrales peuvent e tre exprimees en fonction des transports integres sur la
profondeur
U (x, y,t) =
Z (x,y,t)
h(x,y)
u(x, y, z,t)dz,
V (x, y,t) =
Z (x,y,t)
h(x,y)
v(x, y, z,t)dz
(7.101)
Daprès la formule (1.75), on a
U (x, y,t) =
x
Z (x,y,t)
u
h(x,y)
(x, y, z,t)dz
+ u(x, y, (x, y,t)) + u(x, y, h(x, y,t))

x
x
(7.102)
Dès lors
Z
u
h
us u f
x
x
x
h x
Z
v
V
h
(x, y, z,t)dz =
vs v f
y
y
y
h x
(x, y, z,t)dz =
(7.103)
(7.104)
Substituant ces relations dans (7.100), on obtient

U V h
i h
h
h i
+
+ ws us vs
wf +uf +vf
=0
x
y
x
y
x
y
181
(7.105)
Tenant compte des conditions aux limites (7.97) et (7.98) et introduisant la notation
H(x, y,t) = (x, y,t) + h(x, y)
U = U ex +V ey ,
(7.106)
Il vient finalement
H
+ h U = 0
(7.107)
t
qui constitue la forme bidimensionnelle integree sur la profondeur de lequation de
continuite ; puisque leau de mer est consideree incompressible, toute divergence du
transport horizontal doit e tre compensee par une augmentation de la hauteur de la colonne
deau.
Appliquons le meme traitement a` lequation (7.90). Nous definissons la concentration
moyenne sur la colonne deau par
y,t) = 1
C(x,
+h
(7.108)
C(x, y, z,t)dz
Integrons ensuite les differents termes de (7.90) (en negligeant les termes de migrationsedimentation).
La derivee temporelle de la concentration donne naissance a` deux termes :
Z
C
h
dz =
Cdz Cs
(HC)
=
Cs
t
t
t
(7.109)
où Cs designe la concentration en surface.

La partie horizontale du terme dadvection se transforme selon
Z
h (uC)dz = h
uCdz usCs h u f C f h h
(7.110)
où C f designe la concentration en z = h.

La partie verticale de ladvection peut secrire sous la forme
Z
h iz=
(wC)dz = wC
= wsCs w f C f
Le terme decrivant la diffusion horizontale secrit

Z
Z

h h hC dz = h
h hCdz h hC
h
z=
h h hC
Le terme de diffusion verticale devient

Z
C
C z=
di f f
v
dz = v
= J f Jsdi f f
z
z
z
h
z=h
di f f
où J f
di f f
et Js
(7.111)
z=h
designent les flux de diffusion en surface et au fond.

182
z=h
h h
(7.112)
(7.113)
Le terme de production-destruction peut secrire sous la forme

Z
Qc dz = H Q c
(7.114)
où Q designe le taux moyen de production-destruction sur la colonne deau.

En regroupant les termes de (7.109)-(7.111), les termes de surface et de fond se
simplifient grace a` (7.97) et (7.98). On a

Z
Z
C
(HC)
+ (vC) dz =
+ h
uCdz
(7.115)
t
t
h
h
Pour adapter cette forme au modèle 2D, le second terme du membre de droite doit e tre
H et U. Pour ce faire, decomposons chacune des variables 3D
exprime en fonction de C,
en sa moyenne sur la profondeur et sa deviation par rapport a` cette moyenne (notee par ),
i.e.
U
C = C +C ,
u = + u
(7.116)
H
Il vient alors
Z
Z
uCdz = UC +
uC dz
(7.117)
h
Comme dans le cas de lintegration temporelle, le second terme de cette expression

ne peut e tre exprime en fonction des variables moyennes mais doit e tre parametrise
en fonction de celle-ci. On suppose generalement que ce terme augmente la diffusion
horizontale des proprietes moyennes du fluide ; on parle alors de diffusion par cisaillement
(shear effect diffusion). On introduit donc la parametrisation
Z
uC dz = K shear HC
(7.118)
Les differents termes relatifs a` la diffusion horizontale (7.112) ne font pas non plus
apparatre explicitement les variables moyennes. Une nouvelle modelisation du processus
de diffusion en terme de ces variables simpose donc selon5
h hCdz = K di f f HC
(7.119)
qui se combine avec (7.118) pour former un terme de diffusion unique combinant les deux
processus.
Si on parvient a` exprimer les flux, a` la surface et au fond, ainsi que le terme
le modèle bidimensionnel
de production Q c en terme de la concentration moyenne C,
complet secrit donc

(HC)
di f f
+ h UC = h HK tot hC + H Q C + J f Jsdi f f
t
(7.120)
quil nest pas correct de modeliser la diffusion par un terme proportionnel a` HC

puisque celui-ci tendrait a` distribuer la concentration moyenne en raison inverse de la profondeur locale.
5 Remarquons
183
où K tot = K shear + K di f f .

Utilisant la forme bidimensionnelle de lequation de continuite (7.107), on peut
e galement e crire (en adoptant une parametrisation legèrement differente de la diffusion),
di f f
Jf

C U
+ hC = h K tot hC + Q C +
t H
di f f
Js
(7.121)
Cette expression montre que linfluence des flux en surface et au fond est inversement
proportionnelle a` la profondeur.
7.5.7 Filtrage spatial.

Comme le suggère la figure 7.6, les e chelles de temps et despace des processus
hydrodynamiques sont liees entre-elles. Les processus les plus rapides sont aussi ceux
qui possèdent les plus petites e chelles de temps. Inversement, les processus les plus lents
sont caracterises par de très grandes longueurs. Dès lors, tout filtrage temporel tel quà
la section 7.5.4 induit simultanement un filtrage spatial ; les processus aux plus petites
e chelles despace sont automatiquement e limines des e quations. Ainsi, si on se concentre
sur la dynamique a` mesoechelle (temps caracteristiques de quelques heures a` quelques
jours), on devra interpreter les variables operantes du modèle non seulement comme des
moyennes sur un temps caracteristiques dune dizaine de minutes mais aussi comme des
moyennes sur des longueurs caracteristiques horizontales de quelques dizaines de mètres.
De ce qui precède, on pourrait conclure quil nest pas necessaire de considerer
explicitement le filtrage spatial dès lors quun filtrage temporel a e te effectue. Un filtrage
spatial est cependant introduit independamment du filtrage temporel lors de la resolution
numerique des modèles resolus spatialement. En effet, la discretisation spatiale introduite
pour resoudre numeriquement les e quations du type de (7.91) induit un filtrage spatial
independent du choix de la fenetre spectrale. Les variables dun modèle numerique
(necessairement de resolution finie) doivent e tre considerees comme des moyennes
sur les mailles de la grille numerique. Cette re-definition des variables operantes doit
saccompagner, comme dans le cas du filtrage temporel, dune modelisation des effets
non lineaires des processus sous-grille qui ne peuvent e tre decrits explicitement par le
modèle numerique. Faute de mieux, la modelisation choisie est, une fois encore, celle
dun terme supplementaire de diffusion. (Celui-ci est generalement actif uniquement
selon lhorizontale puisque la resolution verticale est suffisante pour la fenetre spectrale
retenue.) En anticipant la resolution numerique des e quations, ce terme est souvent inclus
dans le modèle mathematique bien quil trouve sa justification dans la consideration des
aspects numeriques. Le coefficient de diffusion correspondant depend a priori de la fenetre
spectrale du modèle et du pas spatiale de la grille numerique.
7.5.8 Ajustement e cohydrodynamique.

La presentation ci-dessus a` fait la part belle aux processus hydrodynamiques. Il y a
une bonne raison pour cela.
184
Les processus biologiques et chimiques possèdent e galement des temps

caracteristiques propres.
Ainsi, par exemple, les populations phytoplanctoniques possèdent des temps
caracteristiques de 105 a` 107 secondes correspondant a` des cycles de vie caracteristiques
de beaucoup de populations pelagiques et benthiques (oscillations diurnes, saisonnières,
` de telles e chelles de temps, le phytoplancton est fortement influence par
annuelles). A
la maree et la circulation generale saisonnière, i.e. par les processus hydrodynamiques
(regroupes sous lappellation de temps de la mer) possèdant des temps caracteristiques
semblables.
Clairement, les processus hydrodynamiques dont les temps caracteristiques sont plus
petits (resp. plus grands) que les temps caracteristiques biologiques ne peuvent interagir
efficacement avec ceux-ci. En general, seuls les processus hydrodynamiques dont les
temps caracteristiques sont proches de ceux des interactions biogeochimiques peuvent
avoir une influence et contraindre la dynamique biologique et chimique. Par le biais
de ladvection et de la diffusion, ces processus hydrodynamiques impriment alors leurs
longueurs caracteristiques aux variables biologiques et chimiques. Cest ce que lon
appelle lajustement e cohydrodynamique.
185
Chapitre 8
Modelisation au moyen de nuages de
particules.
8.1 Modelisation Lagrangienne.
En e crivant lequation de bilan (7.90), nous avons represente letat du système par la
concentration de quelques variables caracteristiques. Le concept de concentration ainsi
utilise est lie a` celui de milieu continu. Selon cette approche, pour decrire le système
marin, on suppose que lon peut definir des grandeurs locales variant dun point a` lautre
du système. Cest ainsi, par exemple, que lon caracterise la distribution de la masse
par unite de volume . Celle-ci est calculee en considerant le rapport entre la masse m
dun e chantillon et le volume de cet e chantillon. Pour obtenir une grandeur locale, on
souhaiterait calculer
m
lim
(8.1)
0
` proprement parler, cette limite na pas de sens. En effet, dès lors que lon descend
A
a` lechelle moleculaire, voire atomique, le rapport m / presente un comportement
erratique et ne possède pas de limite au sens mathematique du terme.
Dans lapproche des milieux continus, on definit donc la masse par unite de volume
par
m
=
(8.2)
où designe un ensemble de molecules suffisamment grand pour donner un sens

statistique aux moyennes et aux grandeurs resultantes comme m et suffisamment petit
pour capter les variations spatiales de ces grandeurs aux e chelles qui nous interessent. On
decrit donc le milieu par un ensemble de proprietes variant (quasi-)continument en faisant
fi des discontinuites aux niveaux moleculaire et atomique.
Lapproche du milieu continu est appropriee pour decrire les champs de vitesse,
de temperature, de concentration de nutriments. . . Elle peut aussi e tre utilisee pour
representer la distribution du plancton ou meme celle des populations de poissons, a`
186
condition que lon sinteresse a` des longueurs caracteristiques bien superieures a` celle
des individus formant ces populations.
Le concept de milieu continu ne sapplique par contre pas a` la representation et a`
letude de la dynamique dindividus pris isolement. Si, par exemple, on peut e tudier la
dynamique des populations de harengs en mer du Nord en decrivant celle-ci au moyen
de sa concentration, il nest pas possible de proceder de la meme facon pour e tudier le
comportement dun individu dans un banc. Pour cette dernière e tude, il est necessaire
de pouvoir distinguer lindividu dans le groupe. De meme, pour e tudier et modeliser la
migration des baleines, on preferera suivre chaque individu specifiquement au cours de
son periple. Cette approche donne lieu a` des modèles individus centres (ou Individual
Base Model - IBM en anglais).
Une approche semblable est possible lors de letude de la dispersion de polluants.
Ainsi, la plupart des modèles de dispersion dhydrocarbures, une nappe de polluant est
representee comme un ensembles de particules dont on suit les e volutions separees au
cours du temps.
Les modèles individus centres et les modèles de dispersion dhydrocarbures e voques
ci-dessus correspondent a` une description Lagrangienne du système : les variables du
modèle sont attachees a` chaque individu ou chaque particule dont on suit levolution au
cours du temps. Cette approche soppose a` lapproche Eulerienne developpee au chapitre
precedent et qui consiste en la description des variations spatiales et temporelles des
grandeurs caracteristiques. Là où lapproche Eulerienne decrit les variations temporelles
en un point fixe, lapproche Lagrangienne decrit levolution temporelle pour une particule
donnee en suivant celle-ci au cours de son mouvement. Ces deux approches se retrouvent
au niveau des methodes experimentales dobservation : les lignes de mouillages decrivent
les courants et les proprietes de leau en un endroit fixe alors que les bouees derivantes en
fournissent une description Lagrangienne.
8.2 Modelisation Lagrangienne de ladvection et de la

diffusion.
La trajectoire de chaque particule ou de chaque individu peut e tre decrite par la donnee
de sa position s(t) a` chaque instant a` partir dun instant initial t0 , soit, composante par
composante
(X (t),Y(t), Z(t)),
t t0
(8.3)
La representation de ladvection dune particule par le fluide en mouvement ne pose
pas de problème. Si la particule se deplace a` la vitesse v, il vient simplement
s(t + t) = s(t) +
Z t+t
t
v dt
s(t) + vt + o(t)
187
(8.4)
Dans la majorite des cas, la vitesse v des particules est la vitesse du fluide. Comme celle-ci
est generalement donnee dans un formalisme Eulerien selon v = v(s,t), lequation (8.4)
secrit dans ce cas
s(t + t) = s(t) +
Z t+t
t
v(s(t ),t ) dt
(8.5)
s(t) + v(s(t),t)t + o(t)

Les processus de sedimentation et la migration peuvent e galement e tre aisement pris en
compte en introduisant lexpression appropriee de la vitesse dans (8.4).
La description de la diffusion est autrement plus complexe. Celle-ci introduit en effet
un caractère non deterministe dans la dynamique individuelle des particules de sorte que
les resultats doivent e tre interpretes de facon statistique.
Macroscopiquement ou a` lechelle dune population dindividus, la diffusion se traduit
` lechelle des tourbillons
par le lissage des variations spatiales des variables detat. A
a` lorigine de la diffusion turbulente ou a` lechelle des individus, la turbulence se
marque par des mouvements erratiques semblables au mouvement Brownien. Dès lors,
deux particules occupant une meme position a` linstant initial suivront des trajectoires
differentes au cours du temps. Pour obtenir une description statistiquement significative
des caracteristiques globales du système, il est donc necessaire de realiser des simulations
avec un très grand nombre de particules.
Le principe de la representation Lagrangienne de la diffusion est dajouter un
deplacement aleatoire d (variable) au deplacement deterministe associe a` ladvection
selon
Z
s(t + t) = s(t) +
t+t
v dt + d
(8.6)
Notant si = s(t0 + it) et utilisant une valeur approchee de lintegrale, on aura

si+1 = si + vt + di
(8.7)
Dans le cas de la diffusion moleculaire isotrope, les sauts successifs di sont

statistiquement independants et relies au coefficient de diffusion habituelle K par le biais
de
di = 2Kt
(8.8)
où designe un vecteur aleatoire issu dune distribution Gaussienne normalisee.
Lexpression (8.8) est pleinement justifiee dans le cas où le coefficient de diffusion
est constant et uniforme. Dans ce cas, elle conduit, avec (8.7), a` une augmentation de la
variance de la position varie proportionnelle au nombre de pas de temps (ou au temps
total e coule) et au coefficient de diffusion K comme le modèle Eulerien correspondant.
Dune part, on verifie aisement que la solution du problème unidimensionnel de
diffusion
C
2C
=K 2
(8.9)
t
t
188
dans un milieu infini est en effet donnee par

C(t, z) =
h x2 i
1
exp
4Kt
4Kt
(8.10)
La variance de cette distribution est donnee par

2 = 2Kt
(8.11)
Dautre part, considerons le mouvement dune particule decrit par le processus

stochastique
x0 ,
xk+1 = xk + dk L,
k = 0, 1, 2, . . .
(8.12)
où dk = 1 est choisi de facon aleatoire (avec une probabilite e gale pour les deux issues
+1 et -1). On calcule aisement que, après N iterations,
< (xN )2 >= NL2
(8.13)
soit, si les N iterations correspondent a` N increments temporels t,

< (xN )2 >=
tL2
t
(8.14)
En comparant les deux expression (8.11) et (8.14), on en deduit que les deux (8.9) et
(8.12) decrivent le meme phenomène de diffusion pour autant que
L = 2Kt
(8.15)
De plus, par le theorème de la valeur centrale, la distribution binomiale utilisee dans (8.12)
tend vers une distribution normale ce qui justifie pleinement (8.8).
Dans le cas de la diffusion turbulente, variant dans le temps et lespace, la formule
(8.8) nest plus strictement e quivalente a` la modelisation Eulerienne correspondante.
Elle est cependant generalement employee pour obtenir separement les differentes
composantes de di en remplacant le coefficient de diffusion par le coefficient de diffusion
turbulente dans la direction correspondante.
8.3 Modelisation individu-centree.

Pour construire un modèle Lagrangien decrivant les aspects biologiques ou chimiques
dun système, il suffit dattacher a` chaque particule des caracteristiques propres, des
règles devolution au cours du temps et des règles dinteraction avec les autres particules.
Ladvection et la diffusion sont alors decrites comme dans la section precedente alors que
la dynamique propre et les interactions sont gouvernees par ces nouvelles règles.
Lun des aspects particulièrement attrayants de la modelisation individu-centree est
la possibilite de tenir compte explicitement de la variabilite individuelle en considerant
que les caracteristiques des differents individus sont extraites de distributions statistiques
189
pre-definies. Alors que ses caracteristiques sont generalement reduites a` une seule valeur
moyenne pour toute la population dans un modèle Eulerien, il est donc possible de tenir
compte des differences entre individus et de tenir compte de linfluence de ces differences
sur la dynamique du système.
La construction dun modèle individu-centre passe par trois e tapes importantes :
i. Avant tout, il convient de dresser la liste des individus ou groupes dindividus dont
on desire suivre levolution et dassocier, a` chaque individu, les caracteristiques
pertinentes pour letude envisagee : position dans lespace, a ge, taille, e tat
nutritionnel, . . .
ii. Les individus sont destines a` e voluer dans un certain environnement dont il faut
definir les caracteristiques : topographie/bathymetrie, conditions hydrodynamiques
et physiques, forcages,. . .
iii. Enfin il faut definir les règles qui regissent la dynamique de chaque individu. Outre
les règles de mise a` jour de la position pour tenir compte de ladvection et de la
diffusion, on decrire ainsi, par exemple, les règles qui conditionnent les migrations
verticales et horizontales, la strategie de selection des proies, la reproduction, . . .
En pratique, la mise en place dun modèle individu-centre ne demande aucune
technique mathematique ou numerique complexe. la simplicite de lapproche de base est
pour beaucoup dans linteret porte a` ces modèles. Cependant, lanalyse de la dynamique
dun tel modèle est generalement heuristique. Lapproche la plus courante consiste a`
multiplier les experiences numeriques en variant les paramètres et parametrisations dans
le but didentifier des conclusions globales. Dans les meilleurs des cas, cependant les
conclusions sont essentiellement statistiques. Elle permettent didentifier des correlations
entre grandeurs globales caracteristiques de lensemble de la population mais fournissent
rarement une explication mecanistique de la dynamique du système e tudie.
8.4 Comparaison
Lagrangien.
entre
les
modèles
Eulerien
et
` cause du grand nombre de particules a` prendre en compte dans les modèles

A
Lagrangiens, ceux-ci peuvent e tre beaucoup plus couteux que les modèles Euleriens
correspondants pour la description de grandes zones geographiques.
Si on desire decrire la distribution dun polluant sur le Plateau Continental Nord Ouest
Europeen, un modèle Eulerien demandera la resolution dune seule e quation semblable
a` (7.90) pour la concentration de ce polluant. La resolution dune telle e quation est
generalement realisee sur une grille numerique couvrant le domaine considere avec une
resolution spatiale dune dizaine de kilomètres. Pour obtenir la meme resolution spatiale
sur lensemble du plateau continental avec un modèle Lagrangien, on devra avoir de
lordre de quelques centaines de particules par maille de la grille Eulerienne ! Le cout
informatique correspondant est absolument prohibitif.
190
En presence dun rejet local, par contre, lapproche Lagrangienne est particulièrement
bien adaptee. En effet, alors que le traitement Eulerien du problème requière la resolution
dune e quation du type de (7.90) dans toute la zone couverte par le modèle, lapproche
Lagrangienne permet de se concentrer uniquement sur la zone reellement affectee par le
rejet où se trouvent un nombre important de particules.
Les biologistes habitues a` decrire la physiologie des individus sont spontanement
attires par lapproche Lagrangienne. Celle-ci permet, par exemple, une description plus
naturelle de la succession des stades des copepodes ou des comportements individuels.
Un grand niveau de complexite, et donc de realisme, peut e tre atteint dans la modelisation
Lagrangienne des comportements individuels tout en suivant une approche simple et
instinctive. Pour obtenir une description globale dune population, cependant, il faut
simuler le devenir dun très grand nombre dindividus interagissant entre-eux pour
obtenir des resultats statistiquement significatifs. Lapproche Eulerienne, representant
globalement la dynamique dune population peut alors se reveler preferable, meme si elle
demande une parametrisation artificielle des effets des interactions (non-lineaires) entre
individus sur lensemble de la population.
Ceci suggère une approche intermediaire dans laquelle la dynamique des populations
est decrite par un modèle Eulerien dans lequel les parametrisations des interactions entre
individus sont developpees en se basant sur des modèles de processus de type individucentre.
191
Annexe A
Exercices proposes
A.1 Equations
differentielles
1) y =
sin2 x
,
sin y
Rep. : 2 cos y sinx cos x + x = C
2) 2 y = y ,
Rep. : y = (x + C)2
3) 1 + y2 + xyy = 0,
Rep. : x2 (1 + y2) = C
4) (1 + ex )yy = ex ,
Rep. : y2 = 2 ln(1 + ex ) + C
5) y 2y = ex sin x,
1
Rep. : y = C1 + C2 e2x ex sin x
2
6) y 7y + 6y = sin x,
7) y =
Rep. : y = C1 ex + C2 e6x +
1
(5 sin x + 7 cosx)
74
4y2
y2
x2
Rep. : y =
x
x2 + Cx + 4
8) Un circuit e lectrique est constitue de la mise en serie dune resistance R, dun

condensateur C et dune force e lectromotrice variable V (t). La charge q du
condensateur obeit dès lors a` lequation
R
dq q
+ = V (t)
dt C
Determinez la charge q(t) si V (t) = V0 sin t et si q(0) = 0.

Rep. : q(t) =
192
C V0
(sin t + RC[exp(t/RC) cost])
1 + 2R2C2
9) Un flotteur plonge dans leau subit son propre poids et la poussee dArchimède
(egale au poids du liquide deplace). Si la section A du flotteur est constante, la
hauteur immergee z(t) du flotteur varie selon
m
d 2z
= mg Agz
dt 2
où m est la masse du flotteur, g laccelerateur de pesanteur et la masse volumique

de leau.
Determinez le comportement du flotteur lorsquon le depose sans vitesse juste a` la
surface du liquide.
m
Rep. : z(t) =
A
1 cos
Ag
t
m
10) Lorsquun corps de temperature absolue T est plonge dans un environnement

a` la temperature differente Text (supposee constante), sa temperature sadapte
progressivement a` celle de son environnement. Selon la loi de Newton, le flux
de chaleur e change entre ce corps et son environnement est proportionnel a` la
difference de temperature T Text . La temperature du corps varie donc selon
d
T (t) = (T (t) Text )
dt
où est une constante positive. Determinez T (t) si initialement T (0) = T0 6= Text .
Rep. : T (t) = Text + (T0 Text ) et
Le modèle de Newton sapplique lorsque lechange de chaleur se produit

essentiellement par conduction thermique. Si les e changes radiatifs dominent, les
flux de chaleur e mis par le corps et par son environnement sont proportionnels a` la
quatrième puissance de la temperature absolue (loi de Stefan-Boltzman). Dès lors,
on aura
d
4
T (t) = (T 4 (t) Text
)
dt
où est une constante positive. Comment varie la temperature du corps dans ce
cas ?
3
Rep. : 4Text
t = ln
(T + Text )(T0 Text )

T
T0
+ 2 arctg
2 arctg
(T Text )(T0 + Text )
Text
Text
11) La vitesse a` laquelle un fluide secoule dun reservoir est proportionnelle a` la racine
carree de la hauteur de liquide au-dessus de lorifice.
Dans le cas dun reservoir cylindrique de section (horizontale) constante A perce
dun orifice a` sa base, determinez le niveau du liquide dans le reservoir en
fonction du temps sachant que le reservoir se vide en un temps T .
Rep. : y(t) = y0 (1 t/T )2
193
Idem dans le cas dun reservoir conique de hauteur H et de rayon maximum R.

Rep. : y(t) = y0 (1 t/T)2/5
12) La resistance exercee par lair sur un corps en chute libre est souvent supposee
proportionnelle au carre de la vitesse du corps. Sous cette hypothèse, determinez la
vitesse dun corps en chute libre en resolvant
dv
= +g kv2
dt
(v(t) 0)
et en considerant que la vitesse initiale du corps est nulle.

Rep. : v(t) =
Determinez la hauteur du corps en fonction du temps si y(0) = y0

Rep. : y(t) = y0
g
1
t + ln
k
k
g e2t gk 1
k e2t gk + 1
1 + e2t
2
!
gk
13) On considère un circuit e lectrique compose dune force e lectromotrice V constante,

dune resistance R et dune self L placees en serie. A linstant initial, le circuit nest
parcouru par aucun courant. On a
L
di
+ Ri = V
dt
Que vaut lim i(t) ?

t
Rep. : i =
V
R
Après combien de temps le courant e lectrique atteint-il 90 % de sa valeur limite ?

Rep. : = ln 10
14) Resolvez les systèmes suivants.

(
y1 = y1 + y2 ,
a)
y2 = 4y1 2y2 ,
Rep. :
b)

y1 = 2y1 5y2 sin 2x, y1 (0) = 0,
y2 = y1 2y2 + x,
y1 = C1 e3x + C2 e2x
y2 = 4C1 e3x + C2 e2x
y2 (0) = 1
2
2
2
4
y1 = sin x + sin 2x cos x + cos 2x 5x

3
3
3
3
Rep. :
y = 2 sin x + 1 sin 2x 2x + 1
2
3
3
194
L
R

y1 = y1 ,
y2 = y2 + 2 y3 ,
c)

y3 =
2 y2 .
y1 = C2 ex
Rep. : y2 = C3 ex 2C1 e2x
y = 2C ex + C e2x
3
3
1
15) Un medecin arrivant sur le lieu dun crime constate que la temperature du mort
est de 32 et que la temperature de lair ambient est de 18C. Deux heures plus
tard, la temperature du mort est descendue a` 26. En supposant que le taux de
refroidissement du corps est proportionnel a` la difference de temperature entre lair
et le corps de la victime (loi de Newton) et que la temperature du corps au moment
du decès e tait de 36C, determinez le temps e coule depuis la mort de la victime
jusquà larrivee du medecin.
Rep. : 54 minutes
16) Soit un circuit e lectrique RC-serie dont la resistance varie au cours du temps selon
R = + t où et sont des constantes positives. Si une difference de potentiel E
constante est appliquee, la charge q du condensateur varie selon
1
Rq (t) + q(t) = E
C
Determinez q(t) si q(0) = q0 .
Rep. : q(t) = EC + (q0 EC)
+ t
1/C
17) Soit une goutte deau tombant du ciel. En supposant que la goutte reste parfaitement
spherique,
a) determinez le rayon r(t) de la goutte a` chaque instant sachant que le taux
devaporation de leau est proportionnel a` la puissance de la surface de la
goutte ;
1
R32 22+2 1+ (3 2 ) t 32
0
Rep. :
R0 e2 t
si 6= 3/2
si = 3/2
b) determinez les valeurs de compatibles avec levaporation totale de la goutte

en un temps fini ;
Rep. : < 3/2
18) Lorsquun e lement subit une decroissance radioactive, celui-ci se transforme en un

autre e lement qui peut lui-meme e tre radioactif. les concentrations x et y des ces
195
deux e lements sont alors donnees par
x(t)
= 1 x(t)
y(t)
= 1 x(t) 2y(t)
Determinez les concentrations des e lements si x(0) = x0 et y(0) = 0.

Rep. : x(t) = x0 e1t , y(t) = x0 1
e1t e2t
2 1
19) Si on tient compte des pertes de memoires, le taux de memorisation dun cours est
donne par
dA
(t) = (M A(t)) A(t)
dt
où et sont des constantes positives, où A(t) designe la quantite de matière
memorisee et où M designe la quantite de matière totale a` memoriser.
Determinez la quantite de matière memorisee lorsque t .
Determinez A(t) si A(0) = 0.
Rep. : A = M/( + ), A(t) = A (1 e(+)t )
20) Si un medicament est administre en continu via une perfusion, la concentration x(t)
de ce medicament dans le sang est gouvernee par lequation
dx
(t) = x(t)
dt
où et sont des constantes positives.
Determinez la concentration du medicament dans le sang lorsque t .
Determinez x(t) si x(0) = 0.
Rep. : x = /, x(t) = x (1 et )
21) Si la croissance dune certaine espèce de poissons suit une loi logistique et si un
nombre constant de poissons est peche chaque annee, la dynamique de la population
de cette espèce peut e tre representee par lequation
dP
(t) = P(t)( P(t))
dt
où , et sont des constantes positives.
Dans le cas où = 5, = 1, = 4, P(0) = P0 ,
determinez P(t) ;
Rep. : P(t) =
4(P0 1) (P0 4) e3t

(P0 1) (P0 4) e3t
montrez que, dans certaines conditions, lespèce sera complètement e teinte en un

temps fini t (Le modèle nest pas applicable au-delà de cet instant.).
Rep. : Si P0 < 1, t =
196
1 P0 4
ln
3 4P0 4
22) On considère deux reactifs A et B qui se combinent pour former une troisième
espèce chimique C. La reaction est telle que, pour chaque gramme de A implique
dans la reaction, 4 grammes de B sont utilises. On observe que 30 grammes de
C se sont formes en 10 minutes. Determinez la quantite de C presente a` chaque
instant sachant que la vitesse de la reaction est proportionnelle aux produit des
` linstant initial, il ny a pas de C mais seulement
concentrations des deux reactifs. A
50 grammes de A et 32 grammes de B.
Rep. : C(t) = 1000
1 e0.1258t
25 4 e0.1258t
23) On considère une vasque hemispherique de rayon R=10 mètres. Initialement, la

vasque est vide. Un debit de m3 /s est amene pour remplir la vasque. Sachant que
le taux devaporation est donne par 0.01A(t) où A(t) designe laire de la surface
libre, determinez levolution du niveau de leau dans la vasque. La vasque pourrat-elle e tre remplie ?
Remarque : Pour une hauteur deau dans la vasque e gale a` h, le volume est donne
par Rh2 h3 /3.
Rep. : h = 10m
24) Lequation de la deformation dune poutre e lastique supportant une charge

uniformement repartie sur toute sa longueur est donnee par
EI
d 4y
= w0
dx4
0x
où EI represente la rigidite flexionnelle de la poutre et où w0 represente la charge

par unite de longueur.
Determinez la deformation dune poutre encastree a` ses deux extremites, cest-àdire telle que
y(0) = y() = 0,
y (0) = y () = 0
Rep. : y(x) =
w0 2
x (x )2
24EI
25) La distribution de la temperature T (r) dans la region comprise entre deux sphères
concentriques de rayons r = a et r = b (a < b) est gouvernee par
r
d2T
dT
+2
=0
2
dr
dr
où T (a) = T0 ,
T (b) = T1
Determinez T (r).
Rep. :
T0 T1 ab T1 b T0a
+
ba r
ba
26) La distribution de la temperature T (r) dans la region comprise entre deux cylindres
concentriques de rayons r = a et r = b (a < b) est gouvernee par
r
d 2 T dT
+
=0
dr2
dr
où T (a) = T0 ,
197
T (b) = T1
Determinez T (r).
Rep. :
T0 ln r/b T1 ln r/a
ln a/b
A.2 Equations
aux differences
1) Trouvez la solution pour chacune des relations de recurrence suivantes donnees
avec leur condition initiale.
Rep. : 2.3n
a) an = 3an1 , a0 = 2
b) an = an1 + 2, a0 = 3
Rep. : 3 + 2n
n(n + 1)
2
Rep. : (2 + n)2
c) an = an1 + n, a0 = 1
Rep. : 1 +
d) an = an1 + 2n + 3, a0 = 4
e) an = 2an1 1, a0 = 1
Rep. : 1
1
Rep. : (3n+1 1)
2
Rep. : 5n!
f) an = 3an1 + 1, a0 = 1
g) an = nan1 , a0 = 5
Rep. : 2n n!
h) an = 2nan1 , a0 = 1
2) Resolvez les relations de recurrence suivantes avec les conditions initiales donnees.
a) an = 2an1 pour n 1, a0 = 3
Rep. : 3 2n
b) an = an1 pour n 1, a0 = 2
Rep. : 2
c) an = 5an1 6an2 pour n 2, a0 = 1, a1 = 0
Rep. : 3 2n 2 3n
d) an = 4an1 4an2 pour n 2, a0 = 6, a1 = 8
Rep. : 2n+1 (3 n)
e) an = 4an1 4an2 pour n 2, a0 = 0, a1 = 1

f) an = 4an2 pour n 2, a0 = 0, a1 = 4
Rep. : 2n (2)n soit
g) an = an2 /4 pour n 2, a0 = 1, a1 = 0
Rep. : (2)n1 n
2n+1 si n impair
0 si n pair
1 si n pair
1 1 n
1 n
Rep. : [( ) + ( ) ] soit
2n
0 si n impair
2 2
2
h) an = 2(an1 an2 ) pour n 2, a0 = 1, a1 = 2
h
n
n i
Rep. : ( 2)n cos
+ sin
4
4
i) an = an2 pour n 2, a0 = 0, a1 = 3
Rep. : 3 sin
n
2
j) an = 2an1 2an2 pour n 2, a0 = 1, a1 = 3

n
3n
3n
Rep. : ( 2) cos
+ 4 sin
4
4
3) Resolvez les relations de recurrence suivantes avec les conditions initiales donnees.
198
a) an = an1 + 6an2 pour n 2, a0 = 3, a1 = 6
b) an = 7an1 10an2 pour n 2, a0 = 2, a1 = 1
c) an = 6an1 8an2 pour n 2, a0 = 4, a1 = 10
3
Rep. : ((2)n + 4.3n)
5
Rep. : 3.2n 5n
Rep. : 3.2n + 4n
d) an = 2an1 an2 pour n 2, a0 = 4, a1 = 1

e) an = an2 pour n 2, a0 = 5, a1 = 1
f) an = 6an1 9an2 pour n 2, a0 = 3, a1 = 3
g) an = 4an1 + 56an2 pour n 0, a0 = 2, a1 = 8
Rep. : 4 3n
Rep. : 2 + 3(1)n
Rep. : (3)n (3 2n)
q
h
Rep. : an = (2)n 1 + 35 (1 15)n +

q
i
1 35 (1 + 15)n
4) Trouvez la solution de an = 2an1 + an2 2an3 pour n = 3, 4, 5, . . . avec a0 =

3, a1 = 6 et a2 = 0.
Rep. : an = 6 2(1)n 2n
5) Determinez les valeurs des constantes A et B de manière telle que an = An + B soit

une solution de la relation de recurrence an = 2an1 + n + 5.
Rep. : an = n 7
6) Une personne depose 1000 dollars sur un compte en banque qui rapporte un interet
annuel de 9 %.
a) Etablissez une relation de recurrence pour calculer le montant accumule sur le
compte a` la fin de n annees.
b) Trouvez une formule explicite pour calculer le montant sur le compte a` la fin
de n annees.
c) Quelle est la valeur du compte après cent ans ?
Rep. : a) an = an1 (1 + 0.09),
a0 = 1000; b) an = 1000(1 + 0.09)n; c) 5529040
7) Supposez que la population mondiale en 1995 est de 7 milliards et quelle crot a`

raison de 3% par an.
a) Etablissez
une relation de recurrence pour calculer la population mondiale
dans n annees après 1995.
b) Trouvez une formule explicite pour calculer la population mondiale au bout
de n annees après 1995.
c) Quelle sera la population mondiale en 2010 ?
Rep. : a) pn = pn1 (1 + 0.03),
p0 = 7.109 ; b) pn = 7.109(1 + 0.03)n; c) 10.9058 109
8) Le mouvement erratique des particules au sein dun fluide est appele mouvement
brownien. Celui-ci est responsable de la diffusion des proprietes du fluide dans
tout son volume. On peut donner un modèle unidimensionnel de ce processus en
considerant une particule qui, a` chaque instant, possède une probabilite p = 1/2 de
se deplacer dune unite vers la droite et une probabilite q = 1/2 de se deplacer dune
199
unite vers la gauche. Si on considère que les particules peuvent e tre absorbees par
des parois situees en x = 0 et x = N, alors, la probabilite Pk pour quune particule
situee a` labscisse x = k N soit absorbee par la paroi situee en x = 0 est la solution
de lequation aux differences
Pk = pPk+1 + qPk1
(0 < k < )
avec
P0 = 1 et
Determinez la probabilite Pk (0 k ).
P = 0
Rep. : Pk = 1
k
l
9) Un modèle pour calculer le nombre de homards captures par annee est fonde sur
lhypothèse que le nombre de homards captures dans une annee est la moyenne du
nombre capture au cours des deux annees precedentes.
a) Trouvez une relation de recurrence pour {Ln } où Ln est le nombre de homards
captures au cours de lannee n en tenant compte de lhypothèse de ce modèle.
1
Rep. : Ln = (Ln1 + Ln2 ) n 3
2
b) Trouver Ln si 100 000 homards ont e te captures au cours de lannee 1 et 300

000 au cours de lannee 2.

Rep. : L1 = 100 000, L2 = 300 000, Ln =
(1)n
100000
7 + n3
3
2
10) Tentant de resoudre numeriquement le problème differentiel

x + 2 x + 2 x = 0
x(0) = 1, x(0)
= 0
(A.1)
decrivant le comportement dun oscillateur avec amortissement critique, on e tablit

la discretisation suivante
xk+1 2xk + xk1
xk+1 xk1
+
+ 2 xk = 0, x0 = 1, x1 = 1
(A.2)
2
t
t
où xk est la solution approchee au temps t = kt.
Les solutions de (A.2) pour differentes valeurs de t, soit t = 0.5, t = 1.6 et
t = 2.1 sont representees ci-dessous ainsi que la solution du problème continu
initial (A.1) (trait interrompu).
Expliquez le comportement de la solution discrète pour les differentes valeurs
du pas dintegration t donnees. En particulier, justifiez le caractère croissant ou
decroissant de la solution discrète ainsi que son caractère monotone ou oscillatoire.
x
1
t = 1.6
0.8
t = 0.5
0.6
0.4
0.2
2
200
x
1
t = 2.1
0.5
2.5
7.5 10 12.5 15 17.5
-0.5
-1
201
Table des matières

1 Concepts et outils de lanalyse mathematique.
1.1 Fonction et relation. . . . . . . . . . . . . . . . . . . .
1.2 Limite et comportement asymptotique. . . . . . . . . .
1.3 Derivee. . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Approximation de Taylor. . . . . . . . . . . .
1.3.2 Differences finies. . . . . . . . . . . . . . . .
1.3.3 Derivee et modelisation. . . . . . . . . . . . .
1.4 Derivee dune fonction composee et derivee materielle.
1.4.1 Gradient et derivee directionnelle. . . . . . . .
1.5 Primitivation et integration. . . . . . . . . . . . . . . .
1.5.1 Moyenne et moyenne glissante. . . . . . . . .
1.5.2 Primitive. . . . . . . . . . . . . . . . . . . . .
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Analyse dimensionnelle.
2.1 Dimensions. . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Homogeneite dimensionnelle et e quation aux dimensions. .
2.3 Theorème Pi. . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Variations caracteristiques. . . . . . . . . . . . . . . . . .
2.5 Determination systematique des produits adimensionnels. .
Interpolation.
3.1 Interpolation unidimensionnelle. . . . . . . . .
3.1.1 Interpolation lineaire. . . . . . . . . . .
3.1.2 Interpolation polynomiale. . . . . . . .
3.1.3 Interpolation spline. . . . . . . . . . .
3.2 Interpolation multi-dimensionnelle. . . . . . .
3.2.1 Interpolation bi-lineaire. . . . . . . . .
3.2.2 Interpolation par distance inverse. . . .
3.3 Estimation lineaire. . . . . . . . . . . . . . . .
3.3.1 Problème de base de regression lineaire.
3.3.2 Estimation au sens des moindres carres.
3.4 Analyse objective. . . . . . . . . . . . . . . . .
3.5 Krigeage . . . . . . . . . . . . . . . . . . . . .
202
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
9
16
20
21
22
24
26
29
33
.
.
.
.
.
35
35
36
38
40
42
.
.
.
.
.
.
.
.
.
.
.
.
46
46
46
47
48
51
51
52
53
53
56
58
63
3.6
4
EOF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Analyse de series temporelles

4.1 Concepts de base. . . . . . . . . . .
4.2 Series de Fourier. . . . . . . . . . .
4.3 Transformee de Fourier. . . . . . . .
4.4 Transformee de Fourier discrète. . .
4.5 Filtrage. . . . . . . . . . . . . . . .
4.5.1 Principe general. . . . . . .
4.5.2 Cas discret. . . . . . . . . .
4.5.3 Filtres binomial et gaussien
4.5.4 Fenetre de Hamming . . . .
4.6 Detrending. . . . . . . . . . . . . .
4.6.1 Derivation. . . . . . . . . .
4.6.2 Filtrage. . . . . . . . . . . .
4.6.3 Ajustement de courbe. . . .
4.6.4 Lissage spline. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Modelisation dynamique a` une e quation.

5.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Modèles differentiels. . . . . . . . . . . . . . . . . . . . . . . .
5.2.1 Modèles malthusien et logistique. . . . . . . . . . . . .
5.2.2 Equilibre
et stabilite. . . . . . . . . . . . . . . . . . . .
5.2.3 Modèle de gestion des peches et temps de recouvrement.
5.2.4 Modèle de croissance logistique avec retard. . . . . . . .
5.3 Modèles discrets. . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1 Classification et resolution des e quations aux differences
5.3.2 Rapport avec les e quations differentielles. . . . . . . . .
5.3.3 Analyse qualitative des systèmes discrets non lineaires .
5.3.4 Modèle discret avec retard. . . . . . . . . . . . . . . . .
5.3.5 Modèle discret pour la gestion de la peche. . . . . . . .
Modelisation dynamique avec interactions.
6.1 Modèles continus. . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Modelisation des transformations biochimiques. . . . .
6.1.2 Reactions composees . . . . . . . . . . . . . . . . . . .
6.1.3 Reactions reversibles . . . . . . . . . . . . . . . . . . .
6.1.4 Reaction enzymatique . . . . . . . . . . . . . . . . . .
6.1.5 Modèle proie-predateur de Lotka-Volterra. . . . . . . .
6.2 Analyse dans lespace de phase. . . . . . . . . . . . . . . . . .
6.2.1 Stabilite locale . . . . . . . . . . . . . . . . . . . . . .
6.2.2 Stabilite globale, solutions periodiques et cycles limites.
6.2.3 Generalisation. . . . . . . . . . . . . . . . . . . . . . .
203
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
66
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
73
75
78
80
83
83
86
87
89
95
96
96
97
97
.
.
.
.
.
.
.
.
.
.
.
.
99
99
100
100
101
104
105
108
109
112
114
119
120
.
.
.
.
.
.
.
.
.
.
127
127
127
131
133
134
137
141
142
145
146
6.3
7
6.2.4 Competition et symbiose. . . . . . . . . . . . . . . . . . . . . . 147

6.2.5 Mutualisme ou symbiose. . . . . . . . . . . . . . . . . . . . . . 152
Modèles discrets pour linteraction des populations. . . . . . . . . . . . . 153
Modelisation au moyen dequations aux derivees partielles.

7.1 Dynamique de population avec distribution dage. . . . .
7.1.1 Solution generale. . . . . . . . . . . . . . . . .
7.1.2 Solution auto-similaire. . . . . . . . . . . . . . .
7.2 Advection unidimensionnelle. . . . . . . . . . . . . . .
7.3 Generalisation et classification des EDP. . . . . . . . . .
7.3.1 Conditions initiales ou aux limites. . . . . . . . .
7.4 Modèle 1D dadvection-diffusion-migration. . . . . . . .
7.5 Modèle general tridimensionnel. . . . . . . . . . . . . .
7.5.1 Equation
de continuite. . . . . . . . . . . . . . .
7.5.2 Equation de bilan. . . . . . . . . . . . . . . . .

7.5.3 Integration dans lespace detat. . . . . . . . . .
7.5.4 Fenetre spectrale. . . . . . . . . . . . . . . . . .
7.5.5 Integration spatiale. . . . . . . . . . . . . . . . .
7.5.6 Modèle 2D. . . . . . . . . . . . . . . . . . . . .
7.5.7 Filtrage spatial. . . . . . . . . . . . . . . . . . .
7.5.8 Ajustement e cohydrodynamique. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
156
156
157
158
159
160
162
166
169
169
171
172
174
178
180
184
184
Modelisation au moyen de nuages de particules.

8.1 Modelisation Lagrangienne. . . . . . . . . . . . . . . . . .
8.2 Modelisation Lagrangienne de ladvection et de la diffusion.
8.3 Modelisation individu-centree. . . . . . . . . . . . . . . . .
8.4 Comparaison entre les modèles Eulerien et Lagrangien. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
186
186
187
189
190
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A Exercices proposes
192
A.1 Equations differentielles . . . . . . . . . . . . . . . . . . . . . . . . . . 192
A.2 Equations
aux differences . . . . . . . . . . . . . . . . . . . . . . . . . . 198
204

Main

Transféré par

Droits d'auteur :

Formats disponibles

Main

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Main

Transféré par

Droits d'auteur :

Formats disponibles

Methodes mathematiques danalyse et de

modelisation appliquees a` lenvironnement.

1.2 Limite et comportement asymptotique.

pour signifier que les valeurs de f sont non bornees au voisinage de x0 .

en tous les points x > x0 suffisamment proches de x0 , la fonction crot ou decrot

la fonction f (x) approche la droite x = x0 pour des valeurs de x inferieures a` x0 . On

la fonction se rapproche indefiniment de la droite horizontale y = a a` mesure que x crot ou

f approche lasymptote horizontale par le dessous ou par le dessus.

E XEMPLE 1.1 Considerons la fonction de Michaelis-Menten decrivant la variation du taux de

concentrations sont e levees. Ecrivant

Lecriture de la loi de Michaelis-Menten sous la forme montre e galement que le

Dans ce cas, la fonction f finit par se rapprocher indefiniment de la droite oblique

Cette fonction est definie pour tout x reel a` lexception de x = 1. En ce point, on a

Le graphe de f comporte donc une asymptote verticale en x = 1.

Si on calcule les limites

on en deduit la presence dune asymptote oblique y = x2 aussi bien en quen +. Ce resultat

Si on ajoute a` ces resultats que f (x) sannule en x = 2 et x = 3, une esquisse du graphique

Lorsquune fonction poss`ede une asymptote en x +, lecart entre le graphique

La relation dequivalence est symetrique :

Si une fonction f poss`ede une limite finie a 6= 0 en un point x0 de son domaine

presente une asymptote oblique y = ax + b ou une asymptote horizontale y = a, avec

Nous avons vu que

De facon alternative, on peut e galement decrire le comportement de pour les grandes

Dautre part, le resultat

ce qui permet decrire

E XEMPLE 1.4 La fonction de lexemple 1.2,

poss`ede des limites infinies a` gauche et a` droite de x = 1. La notion de fonction asymptotique

Rappelons les definitions des fonctions hyperboliques

Avec cette definition,

f (x) g(x) = o(g(x)),

Enfin, on dit quune fonction f est au plus de lordre de g dans un voisinage de x0 , ce

En particulier, f = O(1), (x x0 ) signifie que f est bornee au voisinage de x0 .

si cette limite existe et est finie. On peut aussi e crire

(Fig. 1.3) correspondant au point (x , f (x )) et si on consid`ere un point Q voisin de P, les

represente alors la pente de la droite joignant P et Q ou, si on pref`ere, le taux moyen de

represente la derivee dordre n de f (si cette expression a` un sens).

independante x et dependante f , i.e. a` remplacer le graphe de f par celui de sa tangente

et e tudions la sensibilite de aux variations de la concentration de nutriments N. On a

o`u R0 designe la resistance a` la temperature T0 et est une constante. Les temperatures T et T0

La constante de proportionnalite /T02 est le coefficient thermique de la resistance.

E XEMPLE 1.9 Considerons les ondes se propageant a` la vitesse de phase

c(D) c(D ) + c (D )(D D )

de S = 35, on peut e crire

35.00 + 39.1597 (K15 1)

Dans le cas dune fonction de plusieurs variables f (x1 , x2 , . . ., xk , . . . , xn ), on definit

xk (x1 , x2, . . . , xk , . . ., xn )(xk xk )

verite, si f est differentiable au point considere.

qui generalise (1.31). Avec les notations matricielles

o`u f est appele le gradient de f , on a, de facon compacte,

f (x) = f (x ) + f T (x )(x x) + o(kx xk)

designe la norme de x x . De meme que la derivee f (x ) designe le taux de variation

+ p[3.239908 + 1.43713 103 t + 1.16082 104 t 2 5.77905 107 t 3

+ p2 [8.50935 105 6.12293 106 t + 5.2787 108 t 2

+ S(9.9348 107 + 2.0816 108 t + 9.1697 1010 t 2 )] (1.39)

o`u la temperature t est exprimee en C et la pression p en bar.

(t = 10, S = 35, p = 0) = 0.04541 kg/m3 /bar

(t = 10, S = 35, p = 0)(t 10)

+ (t = 10, S = 35, p = 0)(S 35)

1001.324645 0.17129t + 0.781093S