CONCLUSION GÉNÉRALE ET PERCEPTIVES DE
RECHERCHE
CONCLUSION GÉNÉRALE
Au cours de ce travail de recherche, il a été
mis au point deux types de modèles neuronaux de simulation et de
prévision : les modèles Perceptrons Multicouches Non
Dirigés(PMCNDs) (développés uniquement en simulation) et
les Perceptrons Multicouches Dirigés (PMCDs) (développés
en simulation et en prévision). Les variables hydro-climatiques
mensuelles utilisées sont les pluies, les températures, les
évapotranspirations potentielles (calculées avec la
méthode de Thornwaithe) et les débits du Bandama Blanc
mesurés aux stations de Bada, Marabadiassa, Tortiya et Bou. Les
résultats obtenus avec ces modèles neuronaux sont
généralement forts satisfaisants par rapport à ceux
obtenus avec le modèle conceptuel global GR2M.
Simulation des débits avec les réseaux de
neurones formels avec la pluie comme variable explicative
Les Perceptrons Multicouches avec une seule couche
cachée ont été les plus aptes à simuler les
débits. Cette étude a montré qu'avec la pluie seule comme
entrée des réseaux de neurones formels, le nombre de mois de
retard à considérer était dans l'ensemble
élevé. Les modèles non dirigés (PMCNDs) contenaient
plus de neurones sur leur couche cachée que les modèles
dirigés (PMCDs). Au niveau de la performance des modèles
développés, les Perceptrons Multicouches Dirigés (PMCDs)
étaient plus performants que les Perceptrons Multicouches Non
Dirigés(PMCNDs). En effet, en validation pour les modèles PMCDs,
les valeurs de Nash aux stations de Bada, Marabadiassa, Tortiya et de Bou
étaient respectivement de 67%, 67%, 81% et de 71%. On a donc
remarqué que ces modèles reproduisaient plus de 60% des variances
des débits.
La comparaison faite au cours de cette étude entre les
Nash calculés sans transformation des débits et avec
transformation puissance des débits a révélé que la
transformation puissance des débits améliorait les valeurs des
critères de performance des modèles de façon
générale en validation.
Pour le modèle PMCND1s, les gains en performance
étaient 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 avait respectivement des gains de 3 et 14
unités. En ce qui concerne le
modèle PMCD1s, les gains en performance étaient
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 (PMCDs) sur le modèle Non Dirigé (PMCNDs)
déterminée avec le Test de Pitman, on a constaté 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.
En définitive, cette étude a montré que
l'utilisation de la pluie comme variable explicative dans une
modélisation avec les Réseaux de neurones Formels est possible
à condition d'arriver à choisir judicieusement l'architecture
convenable (nombre de retard et nombre de neurones optimal). Toutefois, avec la
pluie comme variable explicative, les Réseaux de neurones Formels
développés n'arrivaient pas à simuler correctement les
débits extrêmes (étiages et crues) en calage et en
validation. En effet, les modèles de simulation développés
surestiment généralement les faibles débits et sous
estiment les forts débits.
Ajouts et influences des variables climatiques sur la
performance des modèles de simulation Le modèle
conceptuel global GR2M et les modèles Perceptrons Multicouches
Bouclés (PMCD1s, PMCD2s PMCD4s, PMCD5s et PMCD6s) ont obtenu en
général de très bonnes performances tant en calage qu'en
validation pendant de cette étude.
En validation, à la station de Tortiya, les valeurs de
Nash obtenues avec les modèles GR2M, PMCD1s et PMCD3s étaient
respectivement de 71%, 81% et 81%. En comparant le modèle conceptuel
GR2M et les modèles neuronaux, il est apparu dans cette étude que
les derniers cités sont les plus performants et les plus parcimonieux
pour la simulation des débits des cours d'eau. On peut aussi retenir que
la performance des modèles neuronaux était fortement liée
aux stations d'étude, donc directement liée à la
qualité des données collectées. Toutefois, il est bon de
signaler que les Réseaux de neurones étaient plus aptes à
modéliser les données hydroclimatiques bruitées que le
modèle conceptuel global, GR2M.
Prévision des débits du Bandama Blanc avec
les Réseaux de neurones Formels
Au terme de la prévision des débits du Bandama
Blanc à la station de Tortiya, on a constaté que les Perceptrons
Multicouches Dirigés (PMCDp) étaient utilisables tant en
simulation qu'en prévision.
Les résultats obtenus avec les modèles de
prévision étaient satisfaisants dans l'ensemble. En effet, en
se referant à l'échelle de Kachroo (1986) on s'est rendu compte
que les modèles
développés sont de bons modèles car les
critères de Nash étaient supérieurs à 70% en calage
et en validation. Le maximum des Nash était de 74 en calage et de 79 en
validation ; le minimum était de 71,6% en calage et de 77% en
validation. Au niveau des coefficients de corrélation de Pearson, la
valeur maximale en calage était de 0,91 et de 0,90 en validation ; la
valeur minimum était de 0,86 en calage et de 0,89 en validation.
Malgré les bonnes performances des modèles
Perceptrons Multicouches en prévision, on a pu constater que les
débits extrêmes étaient mal modélisés.
En effet, les débits de pointes extrêmes (les
débits de crue) étaient dans leur majeur partie sous
estimés ( = 1
Qobs ) et que les débits d'étiages
extrêmes sétaient quant à eux surestimés
Qcal
( = 1
Qobs ). Il est aussi apparu dans cette étude que
pour la prévision, les modèles neuronaux
Qcal
développés étaient des modèles
très simples. En effet, un Perceptron Multicouches avec une seule couche
cachée et quelques neurones a suffi pour faire la prévision des
débits du Bandama Blanc sur trois mois avec de très bonnes
performances. Le nombre de neurones sur les couches cachées des
réseaux développés était de :
· 3 neurones pour les modèles PMCD1p et PMCD4p ;
· 2 neurones pour les modèles PMCD2p et PMCD6p ;
· 5 neurones pour le modèle PMCD3p ;
· 4 neurones pour le modèle PMCD5p.
Aussi, faudrait-il noter que cette étude a permis aussi
d'apprécier l'apport des variables telles que la température,
l'évapotranspiration et le mois ainsi que leurs combinaisons dans la
prévision des débits mensuels du Bandama Blanc. Il est ressorti
de cette étude que la pluie et l'évapotranspiration potentielle
étaient suffisantes comme entrée des Perceptrons Multicouches
Dirigés pour faire la prévision des débits mensuels du
Bandama Blanc. En définitive, on retiendra de cette Thèse que les
réseaux de neurones formels (RNF) sont de très bons
modèles de simulation et de prévision au pas de temps mensuel. En
effet, que se soit en calage ou en validation, ces modèles donnent de
très bonnes performances. Cependant, ils ont du mal à simuler et
à prévoir les débits extrêmes (débits de crue
et débits d'étiage) lorsque le modélisateur ne dispose pas
d'assez de données en calage comme ce fut le cas dans ce
mémoire.
|