Browsing by Author "Djouama , Chaima"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Contribution à la prévision des débits du bassin versant de la Seybous à l'aide de modèles d'intelligence artificielle
    (Faculté des Sciences, 2025) Debehi , Maroua; Djouama , Chaima; Chalabi , Wafa; Babouche Aya; HEBAL , Aziz; DAIF , Noureddine
    Cette étude s’inscrit dans le cadre de la modélisation hydrologique à l’aide de l’intelligence artificielle, et porte spécifiquement sur la prévision du débit journalier dans le bassin versant de la Seybouse, situé dans le nord-est de l’Algérie. La variabilité hydrologique dans les zones semi-arides, couplée à des pressions croissantes sur les ressources en eau, rend nécessaire le développement d’outils prédictifs fiables pour une gestion durable et anticipative. La problématique centrale de ce travail réside dans l’identification du ou des modèles les plus performants capables de restituer avec précision les dynamiques journalières des débits, à partir de variables hydrométéorologiques facilement disponibles. L’objectif principal de ce travail est donc de comparer l’efficacité de plusieurs architectures de réseaux de neurones artificiels dans la modélisation des écoulements journaliers. Pour cela, les données ont été collectées à partir de trois stations hydrométriques du bassin de la Seybouse, incluant les précipitations, l’évapotranspiration potentielle et les débits journaliers. Après une phase de prétraitement rigoureux, des analyses statistiques (ACF, PACF et XCF) ont été appliquées afin de déterminer les retards temporels pertinents. Quatre modèles d’intelligence artificielle ont ensuite été développés et testés : les réseaux de neurones classiques (ANN), les réseaux récurrents à mémoire courte (GRU), les réseaux à mémoire longue (LSTM) et les réseaux convolutifs (CNN). Les performances ont été évaluées via cinq métriques : le coefficient de corrélation (R), le coefficient NSE (Nash-Sutcliffe Efficiency), l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (RMSE) et l’indice d’efficacité de Kling-Gupta (KGE). Les résultats obtenus montrent que les modèles CNN2 et LSTM2 se démarquent particulièrement. Le modèle CNN2 a donné les meilleures performances sur les stations 140301 (NSE = 0.937, KGE = 0.954) et 140501 (NSE = 0.900), tandis que le modèle LSTM2 s’est montré plus adapté à la station 140602 (NSE = 0.898, KGE = 0.908). Ces performances traduisent la capacité des réseaux profonds à capter la dynamique non linéaire des écoulements, même dans des contextes hydrologiques complexes. En conclusion, ce travail met en évidence l’efficacité des approches par apprentissage profond pour la prévision hydrologique, et confirme l’intérêt de les intégrer dans les outils de gestion des ressources en eau, en particulier dans les zones soumises à un stress hydrique croissant comme le bassin de la Seybouse.