Identifier tous les processus physiques elementaires du cycle hydrologique qui peuvent avoir lieu dans un bassin versant et attribuer a chacun d'eux une description analytique permettant la prevision conduisent a des structures complexes employant un nombre eleve de parametres difficilement accessibles. En outre, ces processus, meme simplifies, sont generalement non lineaires. Le recours a des modeles a faible nombre de variables, capables de traiter la non-linearite, s'avere necessaire.C'est dans cette optique que nous proposons une methode de modelisation de la relation pluie et debit basee sur l'utilisation de reseaux neuronaux. Les performances de ces derniers dans la modelisation non lineaire ont ete deja prouvees dans plusieurs domaines scientifiques (biologie, geologie, chimie, physique). Dans ce travail, nous utilisons l'algorithme de la retropropagation des erreurs avec un reseau a 3 couches de neurones. La fonction de transfert appliquee est de type sigmoide. Pour predire le debit a un moment donne, on presente a l'entree du reseau des valeurs de pluies et de debits observes a des instants precedents. La structure du reseau est optimisee pour obtenir une bonne capacite previsionnelle sur des donnees n'ayant pas participe au calage.L'application du reseau a des donnees pluviometriques et debimetriques du bassin de l'oued Beth permet d'obtenir de bonnes previsions d'un ou plusieurs pas de temps, aussi bien journalieres qu'hebdomadaires. Pour les donnees n'ayant pas participe au calage, les coefficients de correlation entre les valeurs observees et les valeurs estimees par les differents modeles sont eleves. Ils varient de 0.72 a 0.91 pour les coefficients de correlation de Pearson et de 0.73 a 0.95 pour les coefficients de Spearman.
[1]
Stephen A. Billings,et al.
Non-linear system identification using neural networks
,
1990
.
[2]
Robert Griñó,et al.
Neural Networks for Water Demand Time Series Forecasting
,
1991,
IWANN.
[3]
D. Rumelhart,et al.
Predicting sunspots and exchange rates with connectionist networks
,
1991
.
[4]
Rorbert Griñó Cubero.
Neural Networks for Water Demand Time Series Forecasting
,
1991
.
[5]
Kishan G. Mehrotra,et al.
Forecasting the behavior of multivariate time series using neural networks
,
1992,
Neural Networks.
[6]
Stephen I. Gallant,et al.
Neural network learning and expert systems
,
1993
.
[7]
R. T. Clarke.
Statistical Modelling in Hydrology
,
1994
.
[8]
S. Hanneton,et al.
Prévision des crues turbides : apport des méthodes neuronales aux démarches classiques sur l'exemple du forage d' Yport (Seine-Maritime)
,
1994
.
[9]
H. Raman,et al.
Multivariate modelling of water resources time series using artificial neural networks
,
1995
.
[10]
M. Derraz.
Etude de l'eutrophisation de la retenue du barrage El Kansera ( Maroc ) : Caractéristiques physico-chimiques, biodisponibilité du phosphate sédimentaire, écophysiologie de microcystis et relation des blooms avec les paramètres environnementaux
,
1995
.
[11]
I. Dimopoulos,et al.
Modélisation de la relation pluie-débit par les réseaux connexionnistes et le filtre de Kalman
,
1996
.