Amélioration de la prévision des débits des cours d'eau par des modèles hybrides dans le bassin du Cheliff

Abstract

Le besoin croissant de prévisions précises et opportunes du débit des cours d’eaux est devenu crucial pour une gestion efficace des ressources en eau, la prévision les risques d’inondations et l’évaluation de leur impact sur l'environnement. Cette thèse explore l'application de modèles avancés d'intelligence artificielle (IA) dans la prédiction du débit des cours d’eaux afin d'améliorer la précision et la fiabilité des méthodes de prédiction existantes. Dans la première phase de l'étude, une approche novatrice est proposée pour prédire les débits quotidiens et mensuels des cours d’eaux, basée sur la Machine d'Apprentissage Extrême (ELM) et l'algorithme métaheuristique de la chauve-souris (Bat-ELM). Les performances du Bat-ELM sont comparées à celles de l'ELM, de la Régression à Vecteur de Support (SVR), de la Régression par Processus Gaussien (GPR), du Réseau Neuronal à Perceptron Multicouche (MLPN), et du Réseau Neuronal de Régression Généralisée (GRNN). Les modèles proposés sont appliqués à l'aide de données provenant de trois stations hydrométriques (Arib Abda, El Ababsa et Oued Lili) dans le bassin du Cheliff, en Algérie. Les résultats démontrent que le modèle hybride Bat-ELM surpasse les modèles standards, en particulier dans la prévision des débits élevés et extrêmes au pas de temps journalier et mensuel. Le Bat-ELM a montré les valeurs les plus élevées du coefficient de corrélation de Pearson (R) et de l'efficacité de Nash-Sutcliffe (NSE), et les valeurs les plus faibles de l'erreur quadratique moyenne (RMSE) et de l'erreur absolue moyenne (MAE). Dans la deuxième phase de l'étude, la possibilité d'améliorer la prédiction de débit journalier a été explorée en utilisant des modèles d'apprentissage automatique tels que MLPNN, GPR, GRN et la Mémoire à Long Terme (LSTM). Un algorithme de décomposition du signal par Transformation d'Ondelettes Discrètes à Chevauchement Maximum (MODWT) est utilisé pour décomposer les séries temporelles de débits quotidiens (Q) et de précipitations (P) en plusieurs sous-séquences. Ces séquences obtenues servent de variables d'entrée pour les quatre modèles d'apprentissage automatique. Le développement du modèle hybride s'appuie sur des données mesurées à deux stations hydrométriques, Bir Ouled Taher et Ponteba Barrage, répartie dans le bassin de Cheliff. Les résultats révèlent que les modèles hybrides basés sur MODWT-GPR atteignant une précision prédictive élevée avec le coefficient de corrélation de Pearson (R) atteignant une valeur de 0,99.