Modélisation de l’évaporation à partir des plans d’eau (EP) par les Algorithms du Machine Learning: Développement Sur les plates Forme Anaconda & Spyder et R-Studio
| dc.contributor.author | Chaib , Ghouzlane | |
| dc.contributor.author | Bouzental , Ilhem | |
| dc.contributor.author | Louzat , Abir | |
| dc.contributor.author | Boughagha , Inès | |
| dc.contributor.author | HEDDAM , Salim | |
| dc.date.accessioned | 2024-11-14T08:12:13Z | |
| dc.date.available | 2024-11-14T08:12:13Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Au cours des dernières années, l'intérêt pour l'utilisation de modèles d'intelligence artificielle a considérablement augmenté et leurs applications se sont étendues pour inclure tout ce qui est lié à la vie quotidienne de l'homme. Dans le domaine de l'irrigation et des sciences agricoles, le besoin croissant d'introduire et de proposer ces modèles est devenu inévitable. Cette étude s'inscrit dans le cadre de la préparation d'un mémoire de fin d’études (Master II) en Aménagement Hydro-Agricole. Elle vise à développer des modèles mathématiques et à les améliorer pour calculer l’évaporation à partir des plans d'eau, qui est un élément essentiel du cycle hydrologique. Pour cela nous avons utilisé deux modèles de réseaux de neurones artificiels: (i) le Multilayer Perceptron Neural Network (MLPNN), (ii) Generalized Regression Neural Network (GRNN) , et en comparant les résultats avec (iii) le modèle de régression linéaire multiple (MLR). Pour développer ces modèles, nous avons utilisé des données climatiques provenant de quatre stations : Constantine, Sétif, Guelma et Mila. Au niveau de chaque station, nous avons collecté une base de données contenant des mesures quotidiennes enregistré durant la période allant de 2004 à 2013, comprenant les variables suivantes: (i) température maximale (Tmax), (ii) température minimale (Tmin), (iii) vitesse du vent (U2), (iv)humidité relative (H%), (v) rayonnement solaire (SR). Ces variables ont été utilisées comme entrées pour modéliser l'évaporation (EP). La base de données a été divisée en deux parties: 70% pour l'apprentissage et 30% pour évaluer la capacité des modèles à prédire correctement l'évaporation quotidienne (validation). Nous avons utilisé un ensemble de critères de performances numérique pour la validation et l’évaluation des modèles: (i) Coefficient de corrélation (R), (ii) Coefficient de Nash-Sutcliffe efficiency (NSE), (iii) erreur absolue moyenne (MAE), (iv) racine carrée de l'erreur quadratique moyenne (RMSE). Afin d'étudier l'impact des différentes variables sur la réponse des modèles, nous avons comparé 12 modèles avec différentes combinaisons de variables climatiques. Les résultats ont démontré la capacité des réseaux de neurones artificiels à calculer l'évaporation (EP) avec une excellente précision, surpassant le modèle de régression linéaire. Les calculs étaient hautement prédictifs, avec des R et des NSE compris entre 0.97 et 0.99. Ces résultats sont très encourageants et ouvrent des perspectives futures prometteuses. | |
| dc.identifier.uri | http://dspace.univ-skikda.dz:4000/handle/123456789/3453 | |
| dc.language.iso | fr | |
| dc.publisher | Faculté des Sciences | |
| dc.title | Modélisation de l’évaporation à partir des plans d’eau (EP) par les Algorithms du Machine Learning: Développement Sur les plates Forme Anaconda & Spyder et R-Studio | |
| dc.title.alternative | Aménagement Hydro-Agricole | |
| dc.type | Mémoire de Master |