Memoire Online - 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

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

Chapitre VII : INFLUENCE DES AUTRES VARIABLES CLIMATIQUES SUR LA
PERFORMANCE DES MODÈLES DE SIMULATION

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

Chapitre VII : INFLUENCE DES AUTRES VARIABLES CLIMATIQUES SUR LAPERFORMANCE DES MODÈLES DE SIMULATION

Chapitre VII : INFLUENCE DES AUTRES VARIABLES CLIMATIQUES SUR LA
PERFORMANCE DES MODÈLES DE SIMULATION

7.1. INTRODUCTION

7.2. PERFORMANCE DU MODÈLE CONCEPTUEL GLOBAL : GR2M

7.1. INTRODUCTION

7.2. PERFORMANCE DU MODÈLE CONCEPTUEL GLOBAL : GR2M

Le but de ce 7^ème chapitre est d'étudier l'apport des variables comme la température, l'évapotranspiration potentielle, le mois et leurs différentes combinaisons dans les performances des Perceptrons Multicouches Dirigés (PMCD) dans la simulation des débits mensuels sur un bassin versant et la comparaison de ces modèles au modèle GR2M. Il a été déjà démontré dans le chapitre VI, la capacité des Perceptrons Multicouches Dirigés à simuler les débits mensuels du Bandama Blanc, aux stations de Bada, Marabadiassa, Tortiya et Bou, avec en entrée la pluie. La démarche adoptée pour la construction des modèles de simulation est identique à celle appliquée au chapitre précédent. Les modèles dont les résultats sont présentés dans ce chapitre sont :

o le Perceptron Multicouche Dirigé de simulation avec en entrée la pluie (PMCD1s) ;

o ii) le Perceptron Multicouche Dirigé de simulation avec en entrée la pluie et le mois (PMCD2s) ;

o iii) le Perceptron Multicouche Dirigé de simulation avec en entrée la pluie et l'ETP (PMCD3s) ;

o iv) le Perceptron Multicouche Dirigé de simulation avec en entrée la pluie et la température (PMCD4s) ;

o v) le Perceptron Multicouche Dirigé de simulation avec en entrée la pluie, la température et le mois (PMCD5s) et ;

o vi) le Perceptron Multicouche Dirigé de simulation avec en entrée la pluie l'ETP et le mois (PMCD6s).

Ce chapitre comprend trois (3) sections. La première section présente les performances du modèle global GR2M avec le critère de Nash, l'erreur quadratique moyenne (MSE), la racine carrée de l'erreur quadratique moyenne (RMSE), le coefficient de détermination multiple (R²) et le coefficient de corrélation de Pearson (R) comme critères de peformance. La deuxième section s'intéresse à l'évolution de la performance du modèle PMCDs chaque fois qu'on ajoute une ou deux autres variables explicatives en entrée. En ce qui concerne la troisième section, elle compare le modèle GR2M au meilleur modèle Perceptron Multicouche Bouclé Dirigés de simulation.

7.2. PERFORMANCE DU MODÈLE CONCEPTUEL GLOBAL : GR2M

Les résultats présentés ici sont obtenus avec l'optimisation par la méthode "pas à pas". Il

s'agit de déterminer les valeurs optimales des paramètres X₁ et X₂ . Comme déjà présenté dans chapitre du matériel et des méthodes, les données sont subdivisées en deux parties : 2/3 pour le calage (1971-1988) et 1/3 pour la phase de validation (1989-1997). Dans le tableau XV sont résumés les paramètres X₁ (mm) et X₂ du modèle GR2M ainsi que les différents critères de performance (Nash (%), R² (%), R, MSE et RMSE).

Tableau XV : Récapitulatif des valeurs des paramètres du modèle GR2M et de ces performances

Stations hydrométriques d'étude	Superficie (km²)	Paramètres du modèle GR2M		Critères de performance
		X₁ (mm)	X2	Nash (%)	R² (%)	R	MSE	RMSE
		Calage (1971-1988)
Bada	24050	1211,97	0,54	67,10	67	0,81	61,64	7,85
Marabadiassa	22293	1339,43	0,58	51,10	45	0,65	101,04	10,05
Tortiya	14500	1339,43	0,55	72	71	0,83	55,59	7,46
Bou	3710	1480,3	0,54	69,70	69	0,81	47,11	6,86
		Validation (1989-1997)
Bada	24050	1211,97	0,54	63,30	68	0,81	59,77	7,73
Marabadiassa	22293	1339,43	0,58	69,30	74	0,85	50,46	7,1
Tortiya	14500	1339,43	0,55	71	75	0,85	51,43	7,17
Bou	3710	1480,3	0,54	20,70	42	0,63	99,97	10

Les paramètres X₁ (mm) et X₂ du modèle ont été obtenus après une étape d'optimisation et
de calage. Le paramètre X₁ (mm) est la capacité maximale du réservoir (sol) et le paramètre
X₂ traduit le paramètre d'échange souterrain au niveau du réservoir (eau gravitaire). Le taux

d'humectation des sols est un facteur qui conditionne plus ou moins fortement leur aptitude au
ruissellement et à l'infiltration en fonction du type de sol et de son état de surface. Le
paramètre X₁ permet donc au modèle de s'adapter à la demande évaporatoire brute qui lui est

présentée. Les approches conceptuelles globales apparaissent comme une solution pragmatique pour prendre en compte l'effet de l'humidité du sol sur sa réponse hydrologique (Loumagne et al., 1991). En ne tenant compte que des valeurs pour lesquelles on enregistre des performances jugées satisfaisantes, le paramètre X₁ (mm) varie de 1 211,97 à 1 480,30

mm. La capacité maximale du réservoir (sol) varie d'un sous bassin versant à un autre. Le
paramètre X₂ oscille entre les valeurs 0,54 et 0,58. Ces valeurs restent inférieures à 1, ce qui

implique des apports d'eau au niveau des différents bassins. En effet, lorsque X₂ est supérieur

à 1, on assiste à une perte d'eau du réservoir R vers les autres bassins versant et dans le cas contraire, c'est plutôt un apport vers le réservoir R qu'il traduit. La lecture du tableau XV montre que le modèle conceptuel global GR2M donne de bonnes performances aux différentes stations d'étude. Il illustre bien les performances du modèle GR2M. En effet, en calage, les Nash obtenus aux stations de Bada, Tortiya et Bou sont supérieurs à 60%. A la station de Marabadiassa, il n'est que de 51,1%. En ce qui concerne les coefficients de corrélation de Pearson, ils varient de forts à très forts. En validation, tous les Nash sont supérieurs à 60% sauf celui déterminé à la station de Bou qui est de 20,7%. Le coefficient de corrélation de Pearson varie toujours de forts à très forts avec des valeurs généralement supérieures à 0,80. Cependant, on observe une instabilité du modèle GR2M à Marabadiassa, en calage, et à Bou, en validation, où le coefficient de corrélation de Pearson est respectivement de 0,65 et 0,63. En effet, on note une dégradation de la performance du modèle à la station de Bou et une amélioration de la performance du modèle à la station de Marabadiassa. Pour les autres stations le modèle est généralement robuste. Ces mêmes remarques sont valables pour le coefficient de détermination (R²) et de l'erreur quadratique moyenne. En ce qui concerne le coefficient de détermination (R²), les valeurs extrêmes sont : i) en calage, le maximum est de 0,75 obtenu à la station de Tortiya et le minimum de 0,45 à la station de Marabadiassa ; ii) en validation, le maximum est obtenu toujours à Tortiya et est égal à 0,75 et le minimum est de 0,42 obtenu à la station de Bou.

Les bonnes valeurs des critères de performance (Nash, R² (%), R, MSE, RMSE) ne suffisent pas pour dire que tel ou tel modèle calcule très bien les débits mensuels au niveau d'une station hydrométrique. Il faut alors associer à ces critères les hydrogrammes pour pouvoir apprécier la représentativité de ces derniers par ces modèles de simulation. Dans cette étude, les hydrogrammes mesurés et simulés en calage et en validation sont représentés respectivement par les figures 76 et 77. Une lecture de ces figures montre que la dynamique des écoulements, à travers l'évolution des hydrogrammes, est bien représentée par le modèle conceptuel global GR2M. Cependant, en regardant de plus près on s'aperçoit qu'il existe un certain décalage entre les hydrogrammes mesurés et les hydrogrammes calculés par le modèle GR2M. Ces décalages sont plus marqués au niveau des débits de pointe qui sont généralement mal reproduits tant en phase de calage qu'en phase de validation par le modèle GR2M. On

remarque également que les périodes de grande pluie coincident avec les pics des hydrogrammes mesurés et calculés à toutes les stations hydrométriques.

Figure 76 : Hydrogrammes observés et simulés en phase de calage par GR2M à Bada (a), Marabadiassa (b), Tortiya (c) et à Bou (d)

Figure 77 : Hydrogrammes observés et simulés en phase de validation par GR2M à Bada (a), Marabadiassa (b), Tortiya (c) et à Bou (d)

Après avoir présenté les performances du modèle conceptuel GR2M, le paragraphe suivant étudier la relation entre ces performances (Nash (%) et R² (%) et les différentes superficies des sous bassins d'étude (sous bassin de Bada, sous bassin de Marabadiassa, sous bassin de Tortiya et le sous bassin de Bou). La lecture de la figure 78 ne signale aucune tendance quant à une éventuelle relation entre les critères de performance et les différentes superficies des sous bassins versants d'étude.

	80 70		30000 25000		(a)
Critete de performance	60 50		20000	superficies des sous bassins d'etucle (Kmz)
	40		15000		Nash (%) r² (%) superficie (km²)
	30 20 10 0		10000 5000 0
Sous bassin de Bada Sous bassin de Marabadiassa		Sous bassin de Tortiya Sous bassin de Bou

Figure 78 : Diagramme comparatif des critères de performances et des superficies des sous bassins
d'étude : (a) calage et (b) validation

En effet, que se soit en calage ou en validation, les performances du modèle GR2M ne dépendent pas de la superficie du sous bassin versant considéré.

Superficies des sous bassins d'etude (Kmz)

Criteres de performance (%)

Nash (%)

r² (%)

superficie (km²)

Sous bassin de Bada Sous bassin de

Marabadiassa

Sous bassin de Tortiya Sous bassin de Bou