Résumé:
Les événements hydrologiques exceptionnels constituent l’un des plus importants risques
naturels responsable parfois de la perte de vies humaines et de biens matériels. Au cours des
dernières décennies, un grand nombre d’approches automatisées ou informatisées ont été
mises en oeuvre pour modéliser ce processus. Cependant, la complexité des régimes
hydrologiques requiert à recourir à des outils spécifiques des systèmes dynamiques nonlinéaires.
Ce travail de recherche permettra de vérifier l’efficacité des réseaux de neurones formels
pour la modélisation des débits de crues du bassin de oued Ouahrane à partir de la relation
pluie-débit qui est non-linéaire. Deux modèles de réseaux de neurones ont été optimisés avec
l’apprentissage supervisé et comparés afin d’atteindre cet objectif, le premier modèle avec la
pluie en entrée et le second avec la pluie et l’ETP en entrée. Ces modèles neuronaux ont été
comparés avec un autre modèle global, le modèle GR4j. Ensuite, il a été optimisé et comparé
avec les trois premiers modèles, un troisième modèle de réseaux de neurone avec la pluie,
l’ETP et l’humidité du sol (calculé par le modèle GR4j) en entrée, dans ce travail, sur le
bassin de oued Ouahrane. Les modèles neuronaux ont été optimisés avec l’algorithme de
Levenberg Marquarld (LM), tandis que le modèle GR4j a été optimisé avec la méthode
SCEUA. Le critère de Nash (%) et le coefficient de corrélation de Pearson (R) ont permis
d’apprécier les performances de ces modèles.
