Test de plusieurs modèles pluie-débit à différents pas de temps cas du Nord algérien
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université 20 Août 1955 Skikda
Abstract
La disponibilité en eau dans le Nord de l'Algérie revêt une importance capitale pour
divers secteurs tels que l'agriculture, l'approvisionnement en eau potable et la gestion des
ressources hydriques. Toutefois, cette région est confrontée à des défis majeurs en raison de la
variabilité des précipitations et des changements climatiques. C'est dans ce contexte que
s'inscrit cette étude, qui se concentre sur la modélisation pluie-débit à différentes échelles de
temps : journalière, mensuelle et annuelle.
Cette thèse emploie tout d'abord des modèles conceptuels ; Génie Rural (GR5J, GR2M)
et Hydrologiska Byråns Vattenbalansavdelning (HBV), pour leur capacité à représenter de
manière simplifiée les processus hydrologiques. Ensuite, elle utilise des modèles
d'intelligence artificielle autonomes ; Réseaux de Neurones Artificiels (MLPNN), Extreme
Learning Machine (ELM), Random Forest Regression (RFR) et Modèle M5 (M5Tree) pour
leur capacité à apprendre à partir des données et à s'adapter aux conditions évolutives. Enfin,
des modèles d'intelligence artificielle hybrides sont développés en combinant les forces des
modèles autonomes. Elle explore également l'utilisation de décompositions de signal (VMD
et MODWT) pour améliorer la précision des modèles, ainsi que l'intégration d'algorithmes
d'optimisation ; The Artificial Rabbits Optimization (ARO), l'algorithme d'optimisation
Mayfly (MAO) et Particle Swarm Optimization (PSO)-Grey Wolf Optimizer (GWO) pour
ajuster les modèles hybrides à différents pas de temps. Notre étude a été menée sur huit
stations situées dans le Nord de l'Algérie.
Les résultats indiquent que les modèles hybrides avec décompositions de signal se
révèlent être des choix judicieux pour le pas de temps journalier, démontrant une capacité
remarquable à capturer la complexité des interactions pluie-débit à cette échelle fine. Pour le
pas de temps mensuel, l'étude souligne l'efficacité des modèles simples d'intelligence
artificielle ainsi que des modèles hybrides avec des algorithmes d'optimisation, suggérant une
adaptation de la modélisation à cette échelle temporelle. Enfin, En ce qui concerne la
modélisation du débit annuel, nous avons été limités dans l'application de nombreux modèles
en raison du nombre restreint de données collectées, les modèles conceptuels sont
recommandés, offrant une approche globale et simplifiée adaptée à cette échelle temporelle.
Ces résultats mettent en évidence l'importance de choisir le modèle approprié en fonction du
pas de temps pour garantir des estimations précises et fiables du débit dans cette région
spécifique