Résumé:
L’eau constitue une ressource précieuse, un enjeu de civilisation et un potentiel économique
considérable de développement durable. De nos jours, la modélisation pluie-débit a pris une
dimension importante dans la résolution des problèmes liés à la gestion rationnelle et durable
des ressources en eau sur la base d’un ensemble de concepts hydrologiques exprimés en
langage mathématique et reliés entre eux spatialement et temporellement pour reproduire le
débit observé. L’objectif de cette présente étude est de chercher le meilleur modèle pluie-débit
adéquat pour reproduire les débits des oueds de la Macta par l’application de trois (03)
approches à savoir RLM, GR2M et RNA. L’approche proposée est traitée pour la première
fois au bassin versant de la Macta ce qui représente l’originalité du travail. Le grand bassin
versant de la Macta (14389 Km2) situé au Nord-Ouest de l’Algérie septentrionale est
caractérisé par un climat semi-aride, est marquée par une variabilité spatio-temporelle du
régime hydro-climatique. L’analyse statistique de cette variabilité est traduite par une
augmentation de la température sans rupture recensée durant la période d’étude (1983/84-
2015/16) et est accompagnée d’une augmentation du régime pluviométrique durant les années
2000. Par conséquence, les débits des oueds de la Macta connaissent une variabilité
considérable et instable.
L’application de trois (03) modèles pluie-débit montre que le modèle à base de neurones
artificiels est performant pour prédire le débit liquide des oueds de la Macta à cause de leur
aptitude à capturer l’effet stochastique de la non linéarité de la relation pluie-débit sans rentrer
dans le processus hydrologique. Alors que les modèles à base linéaire RLM et à réservoirs
GR2M ne sont pas adéquats et ne peuvent pas simuler le débit liquide des oueds étudiés de la
Macta sous le climat semi-aride. La meilleure combinaison M4 du modèle RNA est fonction
des paramètres dont les critères statistiques r et NSE indiquent un niveau
élevé de performance durant les deux périodes de calage (0,81 et 95% respectivement) et de
validation (0,7 et 91% respectivement).
