Deep learning pour la prévision des précipitations et des débits dans les bassins cotiers algériens

Abstract

Résumé L'objectif de notre travail est de réaliser des prévisions hydrologiques sur la base du concept du Deep Learning. Ainsi, troir approches basées sur les réseaux de neurones récurrents de type LSTM capables d'apprendre les dépendances à long terme et conservent les informations sur des périodes plus longues ont été utilisées pour les prévisions des débits journaliers, des pluies mensuelles dans quelgues bassins Algériens. L'application a été aussi étendue par la suite aux indices d'oscillation atmosphériques à grande échelle aux pas mensuels et journaliers. La prévision des débits journaliers a montré une très haute performance ou le coefficient de corrélation entre les débits observés et les débits simulés a atteint 0.97 Pour les plaies mensuelles, la prévision semble de moyenne qualité, car le coefficient de corrélation n'a par dépassé la valeur 0.64. Ce résultat pourrait étre lié à la structure des séries de pluier, malgré la présence de saisonnalité, elles renferment toujours une part considérable de stochasticité. Les indices d'oscillations atmosphériques NAO et MO au pas mensuel se comportent comme un processus aléatoire qui n'a aucune siructure ni régularité ni regle de prédiction identifiable, leur prévinion s'avere impossible. Cependant, au pas journalier, la prévision des indices semble très prometteuse et donne de très bons rérultats. En définitive, les résultats obtenus dans ce travail, s'avèrent très encourageants et très significatifs et d'un apport subetantiel ou la performance du Deep Learning avec des réseaux LSTMa été nettement mise en évidence comparés aux résultats obtemus par un modėle à réseaux de neurones artificiels classique de type Perceptron Multi-coucher