Browsing by Author "Bougarouche, Nourhane"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modélisation de l’évapotranspiration de Référence (ET0) par les Algorithms du Machine Learning: Développement Sur les plates Forme Anaconda&Spyder et R-Studio
    (Faculté des Sciences, 2024) Allalou, Sirine; Bougarouche, Nourhane; Cheikh Bassa, Nouara; Hadfi, Amira; HEDDAM, Salim
    Ces dernières années, l'intérêt pour l'utilisation des modèles d'intelligence artificielle (IA) a augmenté de façon spectaculaire et leur utilisation s'est étendue à tout ce qui est lié à la vie quotidienne des êtres humains. Dans le domaine de l'irrigation et des sciences agricoles, l'utilisation des modèles d'intelligence artificielle est devenue inévitable et le besoin croissant d'introduire et de proposer l'utilisation de ces modèles est d'une grande importance. Cette étude fait partie de la préparation du mémoire de fin d'études dans le Master d’aménagement hydro-agricole, où nous avons essayé d'appliquer certains modèles d'intelligence artificielle pour proposer des solutions alternatives et développer des modèles mathématiques pour calculer l'évapotranspiration de référence (ET0). Nous avons utilisé deux modèles de réseaux neurones artificiels (ANN) (i): Multi layer Perceptron Neural Network (MLPNN), (ii) Generalized Neural Régression Network (GRNN), et (iii) les modèles à base de régression linéaire multiple (MLR). Pour développer les modèles nous avons utilisé les données climatiques de quatre stations, à savoir: SAIDA, SOUK AHRAS, MASCARA, NAAAMA. Au niveau de chaque station nous avons collecté des données journalières couvrant une période de dix ans (2004-2013) contenant les variables suivantes: la température maximale (Tmax), température minimale (Tmin), vitesse du vent (U2), humidité relative (H%) et rayonnement solaire (SR), qui ont été utilisées comme données d'entrée pour la modélisation de l'évapotranspiration de référence (ET0). La base de données a été divisée en deux parties, 70% pour le développement et l'optimisation du modèle et 30% pour la validation des résultats. Nous avons utilisé un ensemble de critères de validation numérique à savoir : Coefficient de corrélation (R), le critère d’efficience de Nash (Nash-Sutcliffe efficiency NSE), erreur absolue moyenne(MAE), et la racine carrée de l’erreur moyenne (RMSE). Afin de reconnaître l'effet des différentes variables climatiques sur la réponse du modèle, nous avons comparé douze modèles avec différentes combinaisons de variables climatiques. Les résultats obtenus ont montré que l'ET0 peut être prédite avec une excellente précision et supérieure aux modèles MLR. les calculs avaient une grande précision prédictive avec un coefficient R et un critère NSE de 0.99 et 0.97. Les résultats obtenus sont très encourageants et offrent des perspectives d'avenir prometteuses.