Ouatouat , SaraBoulemtafes , WissamBouleklouk , Fatma ZohraMeksen , MarouaHEDDAM , Salim2024-11-142024-11-142024http://dspace.univ-skikda.dz:4000/handle/123456789/3455L'utilisation des modèles d'intelligence artificielle (IA) a considérablement augmenté ces dernières années, avec une expansion de leurs applications pour inclure divers aspects de la vie quotidienne. Dans le domaine de l'agriculture et des sciences agricoles, l'utilisation des modèles d'IA est devenue une nécessité incontournable pour développer des solutions efficaces et estimer précisément certaines variables notamment le rayonnement solaire. Cette étude entre dans le cadre de la préparation de mémoire de master en aménagement Hydro-Agricole, vise à appliquer des modèles d'IA et à proposer des solutions alternatives pour développer des modèles mathématiques pour calculer le rayonnement solaire. Nous avons utilisé deux modèles de réseaux de neurones artificiels : (i) le réseau de neurones multicouches (MLPNN), (ii) le réseau de neurones à régression généralisé (GRNN), ainsi que (iii) le modèle de régression linéaire multiple (MLR). Pour développer les modèles mathématiques, nous avons utilisé des données climatiques provenant de quatre stations : Batna, Biskra, Djelfa, and Chlef. Pour chaque station, nous avons collecté des données quotidiennes sur une période de dix ans (2004-2013) comprenant : (1) la température maximale (Tmax), (2) la température minimale (Tmin), (3) la vitesse du vent (U2), (4) l'humidité relative (H%), (5) les précipitations (P), et le rayonnement solaire (SR) qui a été utilisé comme variable à modéliser. La base de données a été divisée en deux parties : 70 % pour le développement et l'entraînement du modèle, et 30 % pour évaluer la capacité du modèle à prédire correctement le rayonnement solaire quotidien. Nous avons utilisé plusieurs critères de validation statistique, notamment le coefficient de corrélation (R), le coefficient de Nash-Sutcliffe efficience (NSE), la moyenne des erreurs absolues (MAE), et la racine carrée de l'erreur quadratique moyenne (RMSE). Pour évaluer l'impact des différentes variables climatiques sur la réponse du modèle mathématique, nous avons comparé douze modèles avec différentes combinaisons de variables climatiques. Les modèles obtenus ont démontré la capacité des réseaux de neurones artificiels à calculer avec une excellente précision le rayonnement solaire, dépassant le modèle de régression linéaire. Les prévisions étaient hautement précises avec des coefficients R et des coefficients NSE atteignant respectivement 0.87 et 0.76 (meilleur modèle). Les résultats obtenus sont très encourageants et ouvrent des perspectives prometteuses pour l'avenir.frMémoire de Master