RÉSUMÉ
La relation pluie-débit fait l'objet de nombreuses
études à cause de son importance dans la mise en oeuvre 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 traite
donc de la modélisation des débits mensuels du Bandama Blanc aux
stations de Bada, Marabadiassa, Tortiya et de Bou à l'aide des
réseaux de neurones déjà éprouvé 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 modèle 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.
Mots clés : Intelligence
Artificielle (IA), Perceptron Multicouche (PMC), Modèles globaux,
Apprentissage, validation.
ABSTRACT
The rainfall-runoff relationship is the subject of many
studies because of it's importance in the implementation of many development
projects. The scientific community in order to cope with water problems such as
floods and droughts, using different models. But, these models are usually
faced with the non-linearity of the rainfall-runoff relationship. In the case
of the Bandama Blanc purpose of this study, this non-linearity is enhanced by
the presence of several agro-pastoral dams located in the northern part of the
study area and using the waters of this river. This thesis therefore deals with
the modeling of flows of Bandama Blanc hydrometric stations (Bada Marabadiassa,
Tortiya and Bou) using neural networks already experienced in the context of
non-linear relationship. It plans to provide more robust tools to African
hydrologist in the simulation and forecasting of river flows. To achieve this
goal, two Multilayer Perceptrons trained with the backpropagation algorithm of
error have been built. The first model was used only in simulation and the
second model in simulation and prediction. The conceptual model GR2M was used
to validate the results obtained with neural networks. An extensive database
climate (rainfall and temperature) and river montly flow was used in this
study. The results obtained are very satisfactory and well above those obtained
with the overall conceptual model GR2M. Indeed, neural networks are able to
explain more than 70% of the variation in rates, with Pearson correlation
coefficients exceeding 0.80. However, these models have difficulty to simulate
and predict extremes flow probably because of the reduced number of data at our
disposal and separation of bases calibration and validation.
Key words:
Artificial Intelligence (AI), Multilayer Perceptron (PMC), Global
models, learning, validation.
| 
