STUDY OF THE SPATIO-TEMPORAL CORRELATION BETWEEN ELECTRICAL CONDUCTIVITY - TDS IN ALGERIAN GROUNDWATER

Abstract

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.