Modélisation pluie-débit en région tropicale humide : application des réseaux de neurones sur quatre stations hydrométriques du Bandama Blanc (Bada, Marabadiassa, Tortiya et Bou) situées au Nord de la Côte d'Ivoire. Thèse de l'Université de Cocody (Côte d'Ivoire), 2007, 219 p.
Résumés
La relation pluie-débit fait l'objet de nombreuses études, à cause de son importance dans la mise en œuvre de nombreux projets de développement. La communauté scientifique, dans le souci de faire face aux problèmes d'eau, tels que les inondations et les sècheresses, utilise différents modèles. Mais ces modèles sont généralement confrontés à la non-linéarité de la relation pluie-débit. Dans le cas du Bandama Blanc, objet de cette étude, cette non-linéarité est accentuée par la présence de plusieurs barrages à vocation agro-pastorale situés dans la partie nord de la zone d'étude et qui utilisent les eaux de ce fleuve. Ce mémoire de thèse traite donc de la modélisation des débits mensuels du Bandama Blanc, aux stations de Bada, Marabadiassa, Tortiya et Bou, à l'aide des réseaux de neurones, déjà éprouvés dans ce contexte de relation non-linéaire. Elle projette de fournir des outils plus robustes aux hydrologues africains pour la simulation et la prévision des débits des rivières jaugées. Pour atteindre cet objectif, deux Perceptrons Multicouches entraînés avec l'algorithme de la rétropropagation de l'erreur ont été construits. Le premier modèle a été utilisé seulement en simulation et le second en simulation et en prévision. Le modèle conceptuel GR2M, a été utilisé pour valider les résultats obtenus avec les réseaux de neurones. Pour cette étude, une importante base de données climatiques (pluie et température) et hydrométriques (débits mensuels) a été utilisée. Les résultats obtenus sont forts satisfaisants et nettement supérieurs à ceux obtenus avec le modèle conceptuel global GR2M. En effet, les réseaux de neurones parviennent à expliquer plus de 70 % de la variation des débits, avec des coefficients de corrélation de Pearson qui excèdent 0,80. Cependant ces modèles arrivent difficilement à simuler et à faire la prévision des débits extrêmes (étiages et crues), à cause probablement du nombre réduit de données à notre disposition et de la séparation des bases de calage et de validation.
Entrées d’index
Index de mots-clés :
apprentissage, Intelligence Artificielle (IA), modèles globaux, Perceptron Multicouche (PMC), validationIndex by keywords:
Artificial Intelligence (AI), global models, learning, Multilayer Perceptron (PMC), validationPour citer cet article
Référence papier
Yao Blaise Koffi, « Modélisation pluie-débit en région tropicale humide : application des réseaux de neurones sur quatre stations hydrométriques du Bandama Blanc (Bada, Marabadiassa, Tortiya et Bou) situées au Nord de la Côte d'Ivoire. Thèse de l'Université de Cocody (Côte d'Ivoire), 2007, 219 p. », Physio-Géo, Volume 3 | -1, 1-3.
Référence électronique
Yao Blaise Koffi, « Modélisation pluie-débit en région tropicale humide : application des réseaux de neurones sur quatre stations hydrométriques du Bandama Blanc (Bada, Marabadiassa, Tortiya et Bou) situées au Nord de la Côte d'Ivoire. Thèse de l'Université de Cocody (Côte d'Ivoire), 2007, 219 p. », Physio-Géo [En ligne], Volume 3 | 2009, mis en ligne le 14 décembre 2009, consulté le 25 mars 2023. URL : http://journals.openedition.org/physio-geo/940 ; DOI : https://doi.org/10.4000/physio-geo.940
Haut de pageDroits d’auteur
Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0
https://creativecommons.org/licenses/by-nc-nd/4.0/
Haut de page