Neuro-flou a deux entrées

Les résultats précédents ont montré la nécessité d’améliorer les performances du modèle neuro-flou, pour cela on fait introduire la deuxième entrée qui est l’évapotranspiration potentielle (ETP).

Le nombre total des règles est égal à Nrègle = NP ou Nrègle représente le nombre des règles

effectives pour chaque entrée et P est le nombre d’entrées.

On trouvera ci-après les résultats du modèle deux entrées (pluie, ETP) à 152 règles, la simulation a été effectué sur 200 itérations l’erreur RMS obtenu est 0.15882.

Figure IV. 10:La répartition des débits observés et simulés pour deux entrées. Figure IV. 9:Le modèle neuro-flou a deux entrées.

Chapitre IV : Application du modèle ANFIS dans la relation pluie –débit

80 Une fidèle régénération des débits est observée, présentant la nette amélioration du modèle.

Figure IV. 11:Présentation des débits observés et les débits simulés.

Un abaissement appréciable dans les valeurs d’erreur est constaté (figure IV.12)

Figure IV. 12:Présentation de l’erreur entre les débits observés et simulés.

Le modèle testé est un modèle à 225 (152) règle, le tableau suivant à pour but d’évaluer l’effet de l’augmentation de nombre des entrées sur les performances du modèle ;

Q obs -

Chapitre IV : Application du modèle ANFIS dans la relation pluie –débit

81

Tableau IV. 5:Les critères de performances du modèle flou à deux entrées.

Critère NASH RSR PBIAS

Flou 152 _{94.27% 0.239 5,49%}

Comme le met en évidence le tableau ci-dessus, le modèle a 225 règles a donné de très bons résultats, ce qui prouve sa performance.

Une corrélation linéaire simple appliqué aux débits simulés et ceux observés à donner un coefficient R2 = 98.25%, confirmant la performance du modèle.

Figure IV. 13:Corrélation des débits simulés avec les débits enregistrés.

Les résultats trouves ont prouvé que l’introduction de l’ETP a amélioré la performance de la modélisation pluie-débit.

En comparant les résultats des modèles a une seule entrée et à deux entrées, on constate que le modèle (pluie, ETP) a 152 règles présente une meilleure performance avec un NASH=94.27%. y = 1,1794x - 0,5842 R² = 0,9825 -50 0 50 100 150 200 250 300 350 400 0,00 50,00 100,00 150,00 200,00 250,00 300,00 350,00 Qs im Q obs

Les débits

Chapitre IV : Application du modèle ANFIS dans la relation pluie –débit

82 IV.7. Conclusion

La modélisation par le modèle neuro-flou pour la relation pluie-débit à l’échelle journalière est prometteuse, et les résultats de simulation obtenus sur le sous bassin versant de Sybousse Guelma sont satisfaisants et traduits sa capacité à simuler les écoulements au niveau du bassin versant de la zone d’étude.

En effet, les valeurs du critère de Nash-Sutcliffe obtenues sont à 94.27% pour le modèle a deux entrées et de l’ordre de 73% pour le modèle à une seule entrée. Aussi, le RSR et PBIAS dans les deux modèles sont acceptables.

Ainsi, les hydrogrammes obtenus présentent la même allure des débits enregistrés et le système ANFIS a montré sa capacité de modéliser la relation pluie-débit dans le sous bassin versant de Sybousse, Guelma.

84

Conclusion générale

L’étude vise à modéliser la relation pluie- débit par les réseaux neurone flou à l’échelle journalière.

Pour parvenir au but de ce travail, le point de départ est une synthèse bibliographique générale des connaissances, des rappels théoriques sur le cycle de l’eau et le fonctionnement hydrologique d’un bassin versant ainsi que la modélisation hydrologique et le RNA logique flou. Puis, une présentation de la région d’étude et ces différentes caractéristiques : géologique, hydrographique et hydroclimatique.

Après la représentation de la zone d’étude. Un processus est déclenché allant de l’homogénéité à l’analyse fréquentiel pour les séries chronologiques pluviométriques et hydrométriques.

Finalement on a présenté les différentes étapes pour élaborer un modèle ANFIS sur la relation pluie débit, les résultats obtenus sont très appréciables à savoir :

Pour le modèle a une seule entrées la valeur du critère NASH obtenu est acceptable. Elle est d’ordre 73% et le coefficient de corrélation R2 _{est égale à 76%.}

D’autre part le modèle a deux entrées la valeur de NASH est au voisinage du seuil de 94% avec un coefficient de corrélation de 98%.

Enfin, pour plus de performance pour ce modèle il est recommandé d’introduire d’autres entrées à titre d’exemple l’humidité du sol, car plus les paramètres du cycle hydrologique sont pris en entrées, plus le modèle s’améliore.

86

Références Bibliographique

1. MESSAK A, « Modélisation pluie-débit des bassins versants de l’oued mina : application du modèle hydrologiques HEC-HMS ». Mémoire de Magister, Université d’ORAN.

2. FERRAH N, « Simulation des écoulements mensuels par le modèle GR2M Cas du bassin de l’Isser ». Mémoire de Master. Ecole supérieure d’Hydraulique BLIDA. 3. SEMCHEDDINE S, « Utilisation de la discrimination isotopique du carbone comme

critère de sélection du blé dur en relation avec le bilan hydrique ». Mémoire de Magister. Université de SETIF

4. CHKIR N, « Mise au pont d’un modèle hydrologique conceptuel intégrant l’état Hydrique du sol dans la modélisation pluie-débit ». Ecole nationale des ponts et

chaussées.

5. YLES F, « Hydrologie et transport solide dans le bassin versant de l’oued Saida : Modélisation pluie- Débit et Débit liquide – transport solide ». Mémoire de Doctorat, Université de TLEMCEN.

6. ROCHE P et al (2012), « Hydrologie quantitative : Processus, modèles et aide à la décision » durable. Springer Science & Business Media, 590 pages.

7. DJELLOUL F (2014) , « Contribution à l’étude de la relation ʺ pluie-débit ʺ : cas de quelques sous bassin du côtier Algérois ». Mémoire de Magister, Ecole nationale supérieur d’hydraulique ENSH, BLIDA.

8. HENINE H (2005), « Interfaçage entre un modèle hydrologique/modèle hydrodynamique au sein d’un système d’information intégré sous web incluent les SIG». Mémoire de Magister, École nationale polytechnique.

9. GASPAR D (2009), « Application de l’apprentissage artificiel a la modélisation systémique de la chaine hydrometeoro-logique pour la prévision des crues éclair ». 10. BENKACI T, DECHEMI A (2009), « Modélisation pluie–débit journalière par des

modèles conceptuels et ‘boîte noire’, test d’un modèle neuroflou » Hydrological Sciences Journal.

11. Gaud B(1988), « Etude de la nappe alluviale la pleine de Guelma » ,Rapport inédit, DMRH,ANNABA85 p.

12. REGGAM A, BOUCHELAGHEM H. ET HOUHAMDI M (2015). « Qualité Physico-Chimique des Eaux de l’Oued Seybouse (Nord-Est de l’Algérie):

87 Caractérisation et Analyse en Composantes Principales ». Journal of Materials and

Environmental Science. 1417-1425 p.

13. Bechiri N. (2011). « Evolution du chimisme des eaux de surface et Souterraines dans le bassin versant de la Seybouse (Nord-Est Algérien) ». Mémoire de Magistère, Université ANNABA.97p.

14. Houssin S,Hamouda.S.(2016). « Contribution à l’étude de la qualité physico-chimique des eaux de surface de l’oued Seybouse ». Mémoire de Master,Université de GUELMA .70 p.

15. BOUCHLAGHEM H(2008). « Caractérisation du peuplement odonatologique du Bassin versant des oueds :cherf-seybouse ».Mémoire de Magister,Université de GUELMA ;

16. ABHCSM,(2005). « Pollution des eaux superficielles dans le bassin hydrographique constantinois-Seybouse- Mellegue 1998-2003 »,Agence des Bassins Hydrographiques. 17. ROCHE (1963) , « Hydrologie de surface ».

18. ABDI A,2018. « Etude des paramètres morphométriques et hydrographiques du Bassin versant de l’oued TARIA » .Mémoire de Master,Université de SAIDA ;71p

19. Ould A. « Etude des paramètres morphométriques et hydrographiques du bassin versant de l’oued Taria ».Université de SAIDA .Memoire de Master.

20. Xiaomin. C, Sequeira J, (2004). « Extraction du réseau hydrographique à partir du modèle numérique de terrain ». Rapport du laboratoire L S I S (UMR-CNRS 6168). 21. LATIFI S, « Etude de la vulnérabilité des nappes aquifères de la région de Guelma et

évaluation du rôle des STEP dans la protection des eaux ». Thèse de Doctorat. Université ANNABA

22. SYLVAIN M.(2006). « Calcul de l’ETP PENMANMONTEITH à différent spas de temps sur quatre sites du Haut Bassin de l’Ouémé ».

23. LUDOVIC.O at al (2010). « Estimating potential evapotranspiration without continuous daily data: possible errors and impact on water balance simulations». Hydrological Sciences Journal

24. HAMID N(2009). « Mis en évidence de la tendance climatique :les pluies maximales journalières et valeures de l’ETP mensuelles au Burkina Faso ».Mémoire de fin d’étude. 25. www.inbo-news.org-LarbiPDF

26. Bennour T, Guettouche M, Matinez E(2017), «SIG-CLIMALG: THE GEOGRAPHICAL DIMENSION OF CLIMATE DATA IN ALGERIA», Journal of Fundamental and Applied Sciences.

88 27. TASSADIT K, MEDEJRAB A, (2016), « Analyse et cartographie des pluies et l’incidence de leurs variabilite spatio-temporelle sur la delimitation des zones ceralieres dans les hautes plaines orientales de l’Algérie »,REVUE AGRICULTURE,Numéro spécial 1 (2016) 220 – 229.

28. BODIAN A (2014), « Caractérisation de la variabilité temporelle récente des précipitations annuelles au Sénégal (Afrique de l'Ouest) », REVUE Géographie Physique et Environnement ,Volume8.

29. AUTERIVES.C « Impact du changement climatique sur la ressource en eau en région Langudoc-Roussillon », Université Pierre et Marie Curie.

30. AGBANOU B(2018), « Thierry,Dynamique de l’occupation du sol dans le secteur Natitingou-Boukombé(nord ouest Bénin): De l’analyse diachronique à une modélisation prospective », thèse de doctorat, université Toulouse-Jean Jaurès.

31. EL ALAOUI A, « Application de l’algorithme génétique à la modélisation des crues Exemple : Bassin d’Oued N’Fis ». Mémoire de Stage de Fin d’Etudes, Université Cadi Ayyad.

32. BENDJEDOU O, DJEDID K. (2017). « Hydrologie et modelisation pluie-debit : cas des bassins versants de l’oued ressoul et oued seybouse (seybouse ne- algerien) »,Mémoire de Master, université Badji Mokhtar

33. HAMZAOUI S (2016). « Modélisation des courbes IDF à travers des stations pluviométriques de la région de l’Ouest du pays ». Mémoire de Master

34. TOUZET.C(1992). « Les réseaux de neurones artificiels introduction au connexionnisme ». Université de Lorraine

35. GHEZALI.S.(2019) .« Modélisation de la relation pluie débit par les modèles Conceptuels et Neuro Flous (Application au bassin versant de Zardezas) ». Mémoire de Master. Université de Oum El Bouaghi.

36. ABADI.M.(2018). « Réalisation d’un réseau de neurones’’SOM’’ sur une architecture matérille adaptable et extensible à base de réseaux sur puce’’NoC’’ ». Université de Lorraine .

37. MERZOUKA.N.(2009). « Etude des performances des réseaux de neurones dynamiques à représenter des systèmes réels : une approche dans l’espace d’état ». Mémoire de Magister. Université de Setif 1.

38. BORNE.P et al.(2007). « Les réseaux de neurones : présentation et application »Volume 15. Edition OPHRYS.152p

39. https://actudactuaires.typepad.com/files/principe-de-la-logique-floue-1.pdf 40. http://thesis.univ-biskra.dz/1558/8/chapitre4.pdf

89 41. ABDA.Z. et al.(2015). « Modélisation des extrêmes par les réseaux neuronaux artificiel et les systèmes a inférence neuro-floue (application aux bassins cotiers Algérois) ».

42. KHAYRA.N.(2019). « Une approche hybride d’optimisation pour l’estimation de l’energie solaire ». Mémoire de Master.Université de Adrar

43. AOUCHAR.N,BEKHALED.C.(2005). « Application des systèmes hybrides Neuro- flous au daignostic des huiles de transformateurs ».ENP.

91

Chapitre III : Analyse statistique et hydrologique

 Station hydrométrique Nom de la station : Kser sbah Code de la station : 140104  Test de khi 2 pour les pluies

92

Chapitre IV : Application du modèle ANFIS dans la relation pluie –débit

 Le réseau neuro-flou a deux entrées