English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Focalisé sur les indicateurs physico-chimiques soutenant la biologie des cours d’eau, l’article examine l’interpolation de ce type de mesures, dans le temps et l’espace, pour le calcul des indices légaux requis par la Directive Cadre Européenne sur l’Eau. En effet, le calcul d’indicateurs statistiques, à partir d’une information très lacunaire, pose problème. Différentes méthodes de calcul du quantile 90 par station sont-elles équivalentes? Comment cet indicateur varie-t-il spatialement? Le Réseau National de Bassin français fournit-il suffisamment d’information pour une caractérisation pertinente de la qualité des eaux?Les sorties du modèle déterministe ProSe appliqué à la Seine, à pas de temps journalier, sont utilisées pour comparer différentes méthodes de calcul des indicateurs. Les résultats  déduits du modèle exhaustif sont comparés à ceux calculés après un échantillonnage simulant celui du réseau de surveillance.Deux calculs du quantile 90 temporel par station sont examinés : le calcul classique fondé sur la fonction de quantile empirique, et une méthode légèrement plus complexe, avec une pondération temporelle et une linéarisation de la fonction de quantile, qui atténue effectivement les biais induits par l’échantillonnage irrégulier durant l’année, ou découlant du nombre restreint de mesures.Trois méthodes de « spatialisation » sont ensuite testées afin d’obtenir des pourcentages d’occurrence des quantiles par classe de qualité dans chaque « Masses d’Eau Cours d’Eau » : le « principe de défaillance » retient la station la plus défavorable; la deuxième méthode calcule la proportion des stations par classe de qualité; la dernière pondère chaque station par son « segment d’influence ». La spatialisation par segments d’influence des quantiles temporels au sein des « Masses d’Eau Cours d’Eau » améliore nettement les estimations des pourcentages d’occurrence, montrant la nécessité de la prise en compte de la localisation des stations lors du calcul d’un indice de qualité.This research aimed to understand how to interpolate discrete measurements, in space and time, in order to calculate physico-chemical indicators in rivers, which are required by the European Water Framework Directive. Linked to this issue, several questions were addressed. Are the different methods used to calculate temporal 90th-percentiles at a given site equivalent? How does this legal indicator vary in space? Does the French National Basin Network provide enough information to make consistent water quality characterization?The daily outputs of the ProSe model applied to the Seine River were used as proxies to compare different calculation methods of the 90th-percentile. The results deduced from the exhaustive model were compared to those calculated, after sampling the outputs according to the monitoring network sampling scheme. Two calculations of the temporal 90th-percentile at a given site were examined: the classical method based on the empirical percentile function and a slightly more complex method that includes temporal weighting and linearization of the empirical percentile function. This second method reduced the estimation bias of the 90th-percentile induced by irregular and/or few measurements.Three methods for spatializing the 90th-percentiles were tested to obtain occurrence percentages of the percentiles for each quality class in each “Stream Water Body”: the “failure principle” consists in keeping only the worst site; the second approach calculates the proportion of sites located in each quality class; the third method allocates an influence segment to each measurement site. Spatializing temporal percentiles in “Stream Water Bodies” by influence segments led to a marked improvement in occurrence percentage estimations and revealed the need to take into account the spatial configuration of measurement sites when calculating a quality indicator

Caractérisation spatiale et temporelle de la qualité des « Masses d’Eau Cours d’Eau »