Les bassins versants se comportant de manière inattendue aux yeux de l'hydrologue mettent en avant les faiblesses des sciences hydrologiques, en particulier le traitement indûment simplifié des incertitudes affectant les données d'entrée du modèle et le modèle lui-même. Un modèle conceptuel est une hypothèse extrêmement simplifiée sur la nature de la transformation pluiedébit. La variabilité spatiale des phénomènes associée à d'inévitables erreurs de conceptualisation des processus conduisent à une erreur structurelle sur le modèle, qui reste encore aujourd'hui largement incomprise. De plus, les appareils et réseaux de mesures hydrologiques sont loin d'être parfaits. En particulier, la principale donnée d'entrée du modèle (la pluie de bassin) est souvent affectée par des erreurs significatives liées à la faible densité spatiale du réseau pluviométrique. Lorsque ces erreurs sont ignorées ou traitées de manière inadéquate, elles se métamorphosent en Monstres maléfiques dont le but est de détruire notre capacité à modéliser le bassin versant. Dans cet article, nous nous attaquons à ces Monstres armés de la méthode BATEA (Bayesian Total Error Analysis). BATEA prend en compte les sources d'erreurs spécifiées par l'hydrologue, et permet d'évaluer de manière quantitative l'impact de notre connaissance a priori de ces incertitudes sur le calage du modèle et son pouvoir prophétique (prédictif). Un bassin versant présentant un bilan en eau aberrant est utilisé pour illustrer ces concepts. Ce cas d'étude montre qu'en l'absence d'informations complémentaires, les données de pluie et de débit ne suffisent pas à lever le voile sur les raisons de cette anomalie. Cette dernière pourrait s'expliquer par un transfert d'eau souterrain important vers des bassins mitoyens, par une sur-estimation systématique d'environ 40% de la pluie de bassin, ou par une conspiration de ces facteurs. En hydrologie, on n'a rien sans rien: les données de pluie et de débit ne sont pas suffisantes pour démêler les diverses sources d'incertitudes qui affectent le calage, l'évaluation et les prédictions du modèle. Seul une connaissance a priori sur ces incertitudes permettra de vaincre les monstres hydrologiques. / Catchments that do not behave the way the hydrologist expects, expose the frailties of hydrological science, particularly its unduly simplistic treatment of input and model uncertainty. A conceptual rainfallrunoff model represents a highly simplified hypothesis of the transformation of rainfall into runoff. Sub-grid variability and mis-specification of processes introduce an irreducible model error, about which little is currently known. In addition, hydrological observation systems are far from perfect, with the principal catchment forcing (rainfall) often subject to large sampling errors. When ignored or treated simplistically, these errors develop into monsters that destroy our ability to model certain catchments. In this paper, these monsters are tackled using Bayesian Total Error Analysis, a framework that accounts for user-specified sources of error and yields quantitative insights into how prior knowledge of these uncertainties affects our ability to infer models and use them for predictive purposes. A case study involving a catchment with an apparent water balance anomaly (a hydrological monstrosity!) illustrates these concepts. It is found that, in the absence of additional information, the rainfallrunoff record is insufficient to explain this anomaly it could be due to a large export of groundwater, systematic overestimation of catchment rainfall of the order of 40%, or a conspiracy of these factors. There is no free lunch in hydrology. The rainfallrunoff record on its own is insufficient to decompose the different sources of uncertainty affecting calibration, testing and prediction, and hydrological monstrosities will persist until additional independent knowledge of uncertainties is obtained.