Résumé:
Les ressources en eau sont essentielles à la vie, au développement économique, à la santé et à
l'environnement. Les eaux souterraines sont une source majeure d'eau douce et leur qualité est
vitale pour la boisson, l'irrigation et les usages domestiques. L'évaluation et la modélisation de la
qualité spatiotemporelle des eaux souterraines comptent parmi lestâches les plus importantes pour
améliorer les stratégies de gestion des ressources en eau et soutenir les activités
environnementales. Lessolides dissoustotaux (TDS) sont un paramètre important pour déterminer
la qualité des eaux souterraines et l'irrigation. Bien que leur pertinence soit influencée par la teneur
en sels minéraux et le débit, les méthodes traditionnelles de calcul des TDS prennent du temps et
sont sujettes aux erreurs, en particulier dans les pays en développement. Cependant, les modèles
d'apprentissage automatique fournissent des solutions plus rapides et plus rentables en prévoyant
la qualité de l'eau d'irrigation des systèmes aquifères à l'aide de paramètres physico-chimiques.
Dans le présent travail, quatre modèles d'apprentissage automatique, à savoir Decision tree DT,
Random Forest RF, Catboost et support victor regression SVR, ont été appliqués pour prévoir les
paramètres TDS et déterminer la relation entre les paramètres physico-chimiques des eaux
souterraines, notamment la conductivité électrique (EC), les éléments majeurs (Ca²+
, Mg 2+, Na+
,
K
+
, SO4
2-
, HCO3
-
, NO3
-
) et la dureté totale (TH), qui affectent les TDS dans trois aquifères
souterrains différents en Algérie. Les données, collectées à partir de forages par l’Agence
Nationale des Ressources Hydrauliques (ANRH) en Algérie, ont été aléatoirement réparties en
deux sous-ensembles dans chacune des trois zones d’étude considérées: les données
d'entraînement du modèle et les données de test pour la validation du modèle. Initialement, ces
modèles ont été développés en supposant diverses combinaisons de paramètres physicochimiques à l'aide d'une analyse de corrélation et de sensibilité. Pour réduire le nombre de
caractéristiques, l'importance des caractéristiques a été analysée à l'aide des algorithmes de forêt
aléatoire, en sélectionnant les meilleures entrées pour l'estimation des TDS. Les variables de
qualité ont ensuite été modélisées à l'aide de modèles d'apprentissage automatique sélectionnés ;
Enfin, les performances du modèle ont été évaluées à l'aide de l'erreur quadratique moyenne
(RMSE) et de l'efficacité Nash-Sutcliffe (NS). Sur la base de comparaisons entre les valeurs
observées et prédites, les résultats ont montré que les modèles DT, Catboost, RF et SVR pouvaient
prévoir avec succès les variations de TDS, le SVR surpassant les autres dans tous les aquifères
étudiés, avec une combinaison différente dans chaque zone. Ces modèles ont démontré une grande
efficacité dans la simulation spatiotemporelle de la qualité des eaux souterraines, mettant en
5
évidence l'apprentissage automatique comme un outil prometteur pour la modélisation par
paramètres hydrochimiques pour parvenir à une gestion durable des eaux souterraines.
