6.4. CONCLUSION PARTIELLE
Ce premier chapitre des résultats a permis de
démontrer que les Perceptrons Multicouches avec une seule couche
cachée sont capables de simuler des débits avec de très
bonnes performances. Cette étude a également montré
qu'avec la pluie seule comme entrée des réseaux de neurones, le
nombre de mois de retard à considérer est dans l'ensemble
élevé. Les modèles non dirigés(PMCND1s) contenaient
plus de neurones sur leur couche cachée que les modèles
dirigés (PMCD1s). Au niveau de la performance des modèles
développés, les Perceptrons Multicouches Dirigés (PMCD1s)
sont plus performants que les Perceptrons Multicouches Non Dirigés
(PMCND1s). En effet, en validation pour les modèles PMCD1s, les valeurs
de Nash aux stations de Bada, Marabadiassa, Tortiya et de Bou sont
respectivement de 67%, 67%, 81% et de 71%. On remarque donc que ces
modèles reproduisent plus de 60% des variances des débits. La
comparaison faite entre les Nash calculés sans transformation des
débits et avec transformation puissance des débits a
révélé que la transformation puissance des débits
améliore les valeurs des critères de performance des
modèles de façon générale en validation.
Pour le modèle PMCND1s, les gains en performance sont
de 4 unités aux stations de Marabadiassa (44% à 48%) et Tortiya
(76% à 80%). Aux stations de Bada (39% à 41%) et de Bou (52%
à 76%) on a respectivement des gains de 3 et 14 unités. En ce qui
concerne le modèle PMCD1s, les gains en performance sont les suivants :
1 unité à la station de Bada (67% à 68%) ; 6 unités
à la station de Marabadiassa (67% à 73%) ; 4 unités
à la station de Tortiya (81% à 85%) et ; 3 unités à
a station de Bou (71% à 74%). Malgré la supériorité
du modèle Dirigé (PMCD1s) sur le modèle Non Dirigé
(PMCND1s) déterminée avec le Test de Pitman, on constate que les
deux modèles arrivent à approcher plus ou moins les débits
du Bandama Blanc mesurés aux stations de Bada, Marabadiassa, Tortiya et
de Bou. L'utilisation de la pluie seule comme variable explicative dans une
modélisation avec les réseaux de neurones est possible à
condition d'arriver à choisir judicieusement l'architecture convenable
(nombre de retard et nombre de neurones optimal). Toutefois cette étude
a montré qu'avec la pluie seule comme variable explicative, les
réseaux de neurones développés n'arrivent pas à
simuler correctement les débits extrêmes (étiages et crues)
en calage et en validation. En effet, les modèles
développés surestiment généralement les faibles
débits et sous estiment les forts débits. Malgré les
décalages constatés en calage et en validation, les incertitudes
représentées
permettent de donner plus de crédibilités aux
différents résultats obtenus. L'intégration de nouveaux
paramètres aux données d'entrée des modèles ici
développés est la piste de recherche qui va être suivie en
vue d'améliorer les simulations obtenues.
| 
