Modélisation des Variables Agro-Climatiques: Vers une Approche Globale Intégrée à Base d'Intelligence Artificielle
Loading...
Date
2024-03-09
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université du 20 Août 1955-SKIKDA
Abstract
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