vers un modéle pluis débit robuste et escplicable: intégration avancée de techniquede deep learing et de l analyse SHAPdans la bassin versant de la soumman

Loading...
Thumbnail Image
Date
2026
Journal Title
Journal ISSN
Volume Title
Publisher
Faculté des Sciences
Abstract
Cette étude porte sur la modélisation pluie-débit journalière dans un contexte méditerranéen semi-aride, à travers l’évaluation de plusieurs architectures de deep learning appliquées à deux sous-bassins du bassin de la Soummam (Algérie du Nord) : Fermatou et Bou Birek. L’objectif principal est d’analyser la capacité de ces modèles à reproduire les dynamiques hydrologiques dans des conditions marquées par une forte variabilité hydro-climatique et des données limitées. Les séries journalières de précipitations et de débits couvrant la période 2002-2012 ont été exploitées afin de développer six modèles d’apprentissage profond : LSTM, GRU, CNN, BiLSTM, BiGRU et CNN-LSTM. Les variables d’entrée ont été définies à partir d’analyses statistiques préalables (ACF, PACF et corrélations croisées). Les performances ont été évaluées à l’aide de plusieurs indicateurs hydrologiques, notamment le coefficient de Nash-Sutcliffe (NSE), le coefficient de corrélation R, le KGE et le RMSE. Une analyse d’interprétabilité fondée sur la méthode SHAP a également été réalisée afin d’identifier l’influence relative des variables d’entrée. Les résultats montrent que les architectures convolutionnelles et hybrides, en particulier le modèle CNN-LSTM, offrent les meilleures performances sur les deux stations étudiées, avec des valeurs de NSE proches de 0,88 en phase de validation. Les modèles récurrents classiques présentent des performances satisfaisantes mais globalement inférieures, tandis que les architectures bidirectionnelles n’apportent pas d’amélioration significative. L’analyse SHAP met en évidence des comportements hydrologiques différenciés entre les deux bassins, traduisant des réponses hydrologiques spécifiques selon les caractéristiques du milieu. Cette recherche confirme le potentiel des approches de deep learning pour la modélisation pluie-débit en milieu semi-aride et souligne l’intérêt de l’intégration de méthodes d’interprétabilité pour une meilleure compréhension des mécanismes hydrologiques sous-jacents.
Description
Keywords
Citation