WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Etude du calage, de la validation et des performances des réseaux de neurones formels à  partir des données hydro-climatiques du bassin versant du Bandama blanc en Côte d'Ivoire

( Télécharger le fichier original )
par Yao Blaise KOFFI
Université de Cocody Abidjan - Doctorat  2007
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

TABLE DES MATIERES

DÉDICACE i

REMERCIEMENTS ii

TABLE DES MATIERES v

LISTE DES ABRÉVIATIONS ix

LISTE DES FIGURES xi

LISTE DES PLANCHES xvi

LISTE DES TABLEAUX xvi

RÉSUMÉ xviii

ABSTRACT xix

INTRODUCTION GÉNÉRALE - 1 -

PREMIÈRE PARTIE : GÉNÉRALITÉS - 3 -

CHAPITRE I : PRÉSENTATION DE LA ZONE D'ÉTUDE - 3 -

1.1. INTRODUCTION 3 -

1.2. APERÇU GÉNÉRAL DU FLEUVE BANDAMA 3 -

1.3. CHOIX ET PRÉSENTATION DE LA ZONE D'ÉTUDE 4 -

1.3.1. Aspect socio - économique - 6 -

1.3.2. Géographie physique de la zone d'étude - 9 -

1.3.3. Contexte géologique et hydrogéologique de la zone d'étude 12 -

1.3.4. Aspects climatiques 14 -

1.3.5. Contexte hydro-climatique 15 -

1.4. CONCLUSION PARTIELLE - 18 -

CHAPITRE II : CHOIX DE L'APPROCHE DE MODÉLISATION 20 -

2.1. INTRODUCTION - 20 -

2.2. NOTIONS D'HYDROLOGIE - 20 -

2.2.1. Définition de l'hydrologie 20 -

2.2.2. Description du système hydrologique objet de l'étude 21 -

2.3. APERÇU DES DIFFÉRENTES APPROCHES DE MODÉLISATION PLUIE-DÉBIT - 23 -

2.3.1. Modèles empiriques globaux 24 -

2.3.2. Modèles conceptuels 25 -

2.3.3. Modèles conceptuels spatialisés 26 -

2.3.4. Modèles théoriques (ou physiques) locaux 26 -

2.3.5. Modèles physico-conceptuels spatialisés 28 -

2.4. PRINCIPES DE BASE ET INCERTITUDES LIÉES AUX MODÈLES GLOBAUX - - 28 -
2.5. ENJEUX DE L'UTILISATION DES MODÈLES GLOBAUX - 29 -

NEURONES FORMELS

- 54

3.9.1. Problème des minima locaux

54

3.9.2. Problème de généralisation

54

3.9.3. Limites conceptuelles pour la modélisation pluie-débit

56

3.10. ÉTAT DE LA MODÉLISATION PLUIE-DÉBIT AVEC LES RÉSEAUX DE

 

NEURONES FORMELS OU ARTIFICIELS

- 56

3.11. CONCLUSION PARTIELLE

- 59

DEUXIEME PARTIE : MATÉRIEL ET MÉTHODES

60

CHAPITRE IV : MATÉRIEL UTILISÉ

60

4.1. INTRODUCTION

- 60

4.2. DONNÉES DISPONIBLES SUR LA ZONE D'ÉTUDE

- 60

4.2.1. Présentation des données brutes

60

4.2.1.1. Variables à expliquer (cibles) : les débits

61

4.2.1.2. Variables explicatives

63

4.2.4. Définition et dimension des variables

- 69

4.2.4.1. Pluie (P) : Variable de forçage

69

4.2.4.2. Température (T)

69

4.2.4.3. Évapotranspiration potentielle (ETP)

70

2.6. CONCLUSION PARTIELLE

- 31

CHAPITRE III : RÉSEAUX DE NEURONES BIOLOGIQUES ET ARTIFICIELS

33

3.1. INTRODUCTION

-

- 33

3.2. DÉFINITION ET HISTORIQUE DES RÉSEAUX DE NEURONES

- 33

3.2.1. Définition

33

3.2.2. Brève historique de l'évolution de l'utilisation des réseaux de neurones

35

3.3. NEURONES BIOLOGIQUES

- 38

3.4. NEURONES ARTIFICIELS (OU FORMELS)

- 40

3.5. ORGANISATION DES NEURONES EN RÉSEAUX

- 42

3.5.1. Réseaux «feed-forward»

42

3.5.2. Réseaux à fonction radiale

46

3.5.3. Réseaux "feed - back"

47

3.5.4. Cartes auto - organisatrices de Kohonen

47

3.5.5. Réseaux de Hopfield

47

3.5.6. Réseaux à apprentissage par compétition ou « Adaptative Resonnance Theory » (ART)

47

3.6. APPRENTISSAGE DES RÉSEAUX DE NEURONES

- 48

3.6.1. Différentes approches d'apprentissage

49

3.6.2. Règles d'apprentissage

50

3.7. DOMAINES D'APPLICATION DES RÉSEAUX DE NEURONES

- 51

3.8. PROPRIÉTÉS DES RÉSEAUX DE NEURONES

- 51

3.8.1. Non-linéarité

52

3.8.2. Tolérance au manque d'information

52

3.8.3. Résistance aux entrées aberrantes

52

3.8.4. Possibilité de se passer de pré requis

53

3.8.5. Non-unicité des modèles neuronaux par rapport aux paramètres

53

3.8.6. Adaptabilité

53

3.8.7. Utilisation des données dans leur état brute

53

3.8.8. Propriété d'universalité et analogie avec la neurobiologie

53

-
-
-

- - - - - - -

-
-
-

-

- - - - - - - - -

3.9. LIMITES ET PRÉCAUTIONS DANS LA MODÉLISATION AVEC LES RÉSEAUX DE

- - - -

-

-
-

-
-

-

4.2.4.4. Variable à expliquer (cible) : Débit (Q)

70

4.2.5. Correction des differentes données

- 70

4.2.6. Contrôle et analyse des données

- 71

4.2.6.1. Données climatiques (pluies et températures)

72

4.2.6.2. Données hydrométriques

73

4.2.6.3. Chroniques pluie-lame d'eau écoulée

- 75

4.2.6.4. Évapotranspiration potentielle et expression de la variable temporelle (mois)

- 78

4.2.6.4.1. Évapotranspiration potentielle

78

4.2.6.4.2. Variable temporelle (le mois)

79

4.3. ENVIRONNEMENT SCIENTIFIQUE

- 79

4.3.1. Environnement du compilateur "RNF PRO"

79

4.3.2. Historique et description de l'environnement du modèle GR2M

83

4.3.2.1. Petite histoire sur l'évolution du modèle GR2M

83

4.3.2.2. Environnement de « GR2M »

85

4.4. CONCLUSION PARTIELLE

- 85 -

CHAPITRE V : MÉTHODES UTILISÉES

88 -

5.1. INTRODUCTION

- 88

5.2. Détermination des ETP et des valeurs codées de la variable temporelle (le mois)

- 88

5.2.1. Évapotranspiration potentielle

88

5.2.2. Codage du mois

89

5.3. MISE EN PLACE DES MODÈLES UTILISÉS

- 89

5.3.2. Définition de l'objet de la modélisation et choix du pas de temps

- 91 -

5.3.3. Sélection des variables, choix et conception des modèles et estimation des paramètres -- - 93 -

5.3.3.1. Sélection et transformation des variables pertinentes

5.3.3.2. Choix et conception des modèles

5.3.3.3. Choix des périodes de calage/validation

5.3.3.4. Estimation des paramètres des modèles développés (calibration ou apprentissage)

5.3.4. Détermination des critères de performance des modèles

5.3.4.1. Critère de Nash

93 -

94 -
99 -
- 101 -

105 -

- 105 -

R ) --- 5.3.4.2. Coefficient de corrélation de Pearson ( R ) et coefficient de détermination multiple ( 2

- 106 -

5.3.4.3. Erreur quadratique moyenne (Mean Square Error) (MSE) et sa racine carrée RMSE

- 108 -

5.3.5. Achitectures des modèles utilisés

108 -

5.4. OUTILS D'ANALYSE STATISTIQUE

120 -

5.4.1. Estimation de la robustesse des modèles

- 120 -

5.4.2. Méthode de l'analyse des résidus

- 120 -

5.4.3. Méthode de détermination des incertitudes

- 121 -

5.5. CONCLUSION PARTIELLE

123 -

TROISIÈME PARTIE : RESULTATS ET DISCUSSION

- 124 -

Chapitre VI : APPLICATION DES PERCEPTRONS MULTICOUCHES Á LA

 

SIMULATION DES DÉBITS AVEC LA PLUIE EN ENTRÉE

- 124 -

6.1. INTRODUCTION

124 -

6.2. PERFORMANCE DES MODÈLES NON DIRIGÉS(PMCND1s) ET DES MODÈLES DIRIGÉS (PMCD1s) 124 -

6.3. ÉTUDE COMPARATIVE DES MODÈLES NON DIRIGÉS(PMCND1s) ET DES

 

MODÈLES DIRIGÉS (PMCD1s)

135 -

6.3.1. Présentation des résultats de l'analyse des résidus

- 135 -

6.3.2. Représentation graphique des incertitudes

- 136 -

6.4. CONCLUSION PARTIELLE

147 -

Chapitre VII : INFLUENCE DES AUTRES VARIABLES CLIMATIQUES SUR LA

 

PERFORMANCE DES MODÈLES DE SIMULATION

- 149 -

7.1. INTRODUCTION

149 -

7.2. PERFORMANCE DU MODÈLE CONCEPTUEL GLOBAL : GR2M

150 -

7.3. EFFET DE L'AJOUT DES VARIABLES EXPLICATIVES SUR L'ARCHITECTURE

ET SUR LES PERFORMANCES DES MODÈLES PMCDs

156 -

7.3.1. Variation du nombre de retard et du nombre de neurones cachés

- 156 -

7.3.2. Analyse des performances des modèles

- 157 -

7.4. ÉTUDE COMPARATIVE DES MODÈLES

160 -

7.5. CONCLUSION PARTIELLE

164 -

Chapitre VIII: APPLICATION DES PERCEPTRONS MULTICOUCHES A LA

 

PRÉVISION DES DÉBITS MENSUELS

- 166 -

8.1. INTRODUCTION

166 -

8.2. PERFORMANCE DES PERCEPTRONS MULTICOUCHES DIRIGÉS DE PRÉVISION
(PMCDp) 167 -

8.3. RÉSULTATS DU TEST DE COMPARAISON DES PRÉVISIONS DES DIFFÉRENTS MODÈLES 178 -

8.4. COMPARAISON DES PERFORMANCES DES MODÈLES DE SIMULATION ET DES

-

-

-
-
-

MODÈLES DE PRÉVISION

 

180

8.5. CONCLUSION PARTIELLE

181

Chapitre IX : DISCUSSION

- 183

CONCLUSION GÉNÉRALE ET PERCEPTIVES DE RECHERCHE

- 191

RÉFÉRENCES BIBLIOGRAPHIQUES

- 195

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Les esprits médiocres condamnent d'ordinaire tout ce qui passe leur portée"   François de la Rochefoucauld