Browsing by Author "HEDDAM, Salim"

Now showing 1 - 2 of 2
  • 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.
  • Thumbnail Image
    Item
    Modélisation des Variables Agro-Climatiques: Vers une Approche Globale Intégrée à Base d'Intelligence Artificielle
    (Université du 20 Août 1955-SKIKDA, 2024-03-09) MERABET, Khaled; HEDDAM, Salim
    La prévision de l’humidité relative et la radiation solaire joue un rôle très important dans plusieurs domaines. Dans cette thèse, la modélisation de ces deux variables a été élaborée moyennant cinq données climatiques pour chaque variable. Ces données ont été collectées au niveau de huit stations situées au nord et dans la région semi-aride de l’Algérie, à savoir: Alger, Annaba, Constantine, Sétif, Guelma, Jijel, Mila et Oran. Cette modélisation est basée sur l'utilisation de la décomposition en mode empirique (EMD), la transformée en ondelettes empirique (EWT), et la décomposition en mode variationnel (VMD), combinées avec des modèles d’apprentissage automatique traditionnels pour améliorer leurs performances prédictives. Premièrement, six modèles traditionnels simples, à savoir: les réseaux de neurones à perceptron multicouche (MLPNN), les machines à apprentissage extrême (ELM), les réseaux de neurones à fonction de régression générale (GRNN), la régression multivariée par spline adaptative (MARS), les forêts aléatoires de régression (RFR), et la régression à vecteurs de support (SVR), ont été utilisés pour prédire l'humidité relative et la radiation solaire. Deuxièmement, les variables climatiques sont décomposées à l’aide des algorithmes de décomposition du signal et utilisées comme de nouvelles variables d'entrée dans les modèles hybrides. Les résultats obtenus démontrent que les nouvelles approches hybrides ont fourni des précisions prédictives élevées de l'humidité relative et la radiation solaire, et il a été conclu que l'efficacité de la décomposition du signal était démontrée et justifiée