• Aucun résultat trouvé

Prévision de la sécheresse par réseaux de neurones artificiels et séries chronologiques d'indices de sécheresse

N/A
N/A
Protected

Academic year: 2021

Partager "Prévision de la sécheresse par réseaux de neurones artificiels et séries chronologiques d'indices de sécheresse"

Copied!
95
0
0

Texte intégral

Loading

Figure

Figure  I.1 :  Relations  entre  les  différents  types  de  sécheresse  (météorologique,  agricole,  hydrologique et socioéconomique)
Tableau I.1: valeur de l’indice de palmer et types de sécheresses correspondants  Valeur de l’indice de Palmer  Type de sécheresse
Tableau I.2: Valeur de l’indice SPI et types de sécheresses correspondants  Valeur de l’indice SPI  Type de sècheresse
Figure I. 3 : Architecture générale d’un RNA de type PMC (Benkaci,2006).
+7

Références

Documents relatifs

Mohamed

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non,. To cite

Journées MAS et Journée en l’honneur de Jacques Neveu, Aug 2010,

, (2005) ont utilisé des modèles ARMA pour prévoir l'occupation des couloirs de l’hôpital due à des infections SRAS. Les auteurs ont divisé les modèles de

La courbe obtenue a la forme du spectre d'un phénomène de tendance croissante mais présente, pour les fréquences élevées de très nombreuses fluctuations, ce qui rend son

Dans ce travail, nous discutons l’estimation du seuil pour la classe plus générale des modèles ARMA.. Le bruit

Cette méthode diffère des précédentes essentiellement du fait qu'elle est basée sur les réponses impulsionnelles WJ au lieu des autocorrélations, et en plus comme on

- La principale conclusion (obtenue après avoir réalisé 8 ACP pour les 2 normalisations) est qu’on ne peut pas réaliser un classement des 5 logiciels testés, leurs performances sont