Approche régionale de modélisation pluie-débit pour la gestion des ressources en eau en zone semi-aride, cas du bassin versant de la Macta

Abstract

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).