Chapitre VIII: APPLICATION DES PERCEPTRONS
MULTICOUCHES A LA
PRÉVISION DES DÉBITS MENSUELS
8.1. INTRODUCTION
Les chapitres VI et VII précédents ont
traité de la simulation des débits des eaux du Bandama Blanc
à l'aide des modèles globaux. Il s'agit des Perceptrons
Multicouches et du modèle conceptuel GR2M du CEMAGREF utilisé
pour apprécier les résultats obtenus avec les Réseaux de
neurones. Les débits mensuels du Bandama Blanc à Bada,
Marabadiassa, Tortiya et à Bou ont été simulés avec
de bons résultats. Mais, parmi ces stations, la station de Tortiya s'est
révélée être celle où les deux types de
modèles globaux développés et optimisés ont
donné les meilleures performances. Pour cette raison, la station de
Tortiya sera celle utilisée dans ce chapitre pour tester la
capacité des Réseaux de neurones à faire de la
prévision dans un contexte perturbé avec, notamment la
présence de plusieurs barrages agropastoraux. Les modèles
utilisés dans ce chapitre ont été largement
présentés dans la deuxième partie de ce mémoire.
Cependant, pour faciliter la compréhension des paragraphes qui vont
suivre, ils sont rappelés ici. On a donc:
o le Perceptron Multicouche Dirigé de prévision
avec en entrée la pluie (PMCD1p) ;
o le Perceptron Multicouche Dirigé de prévision
avec en entrée la pluie et le mois (PMCD2p) ;
o le Perceptron Multicouche Dirigé de prévision
avec en entrée la pluie et l'ETP (PMCD3p) ;
o le Perceptron Multicouche Dirigé de prévision
avec en entrée la pluie et la température (PMCD4p) ;
o le Perceptron Multicouche Dirigé de prévision
avec en entrée la pluie, la température et le mois (PMCD5p) et
;
o le Perceptron Multicouche Dirigé de prévision
avec en entrée la pluie l'ETP et le mois (PMCD6p).
Pour tous ces modèles, l'horizon de prévision
est de trois mois. En effet, on donne aux différents réseaux le
débit un mois avant la prévision et on lui demande de faire la
prévision du troisième mois. Un seul horizon de prévision
est choisi ; car, l'objectif de ce présent chapitre est de montrer
seulement que les modèles Perceptrons Multicouches sont aussi
capables de faire de la prévision. Il s'agira donc de
montrer que les Réseaux de neurones en général et les
Perceptrons Multicouches en particulier peuvent être exploités
convenablement tant en simulation qu'en prévision. Pour atteindre cet
objectif, ce chapitre est subdivisé en trois (3) sections. La
première section présente les performances des modèles de
prévision en calage et en validation à travers le critère
de Nash, le coefficient de détermination multiple et le coefficient de
corrélation de Pearson. La deuxième section est consacrée
à la présentation des résultats du test de comparaison
entre les prévisions des différents Perceptrons Multicouches
utilisés. La troisième section compare les performances des
modèles en simulation et en prévision afin de voir à quel
niveau de modélisation ils sont plus performants.
| 
