مرکز منطقه ای اطلاع رساني علوم و فناوري - MODÉLISATION DES DÉBITS DES RIVIÈRES EN RÉGION TROPICALE HUMIDE : APPLICATION DES RÉSEAUX DE NEURONES ET DU MODÈLE GR2M AU BANDAMA BLANC (CÔTE D’IVOIRE)

Abstract :

La non-linéarité de la relation pluie-débit complique souvent la tâche des hydrologues dans leur souci de modéliser les débits à l’exutoire d’un cours d’eau. 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. Aussi, l’identification de tous les processus intervenant sur un bassin versant et leur intégration dans un processus de modélisation abouti à des modèles complexes employant un nombre élevé de paramètres. Le recours à des modèles à faibles nombre de variables, capables de traiter la non-linéarité est donc indispensable. Pour résoudre cette non-linéarité, s’inspirant des travaux de McCulloch et Pitts [1], plusieurs hydrologues ont déjà travaillé sur des architectures de réseaux de neurones avec de bons résultats. Mais, ces modèles globaux de l’intelligence artificielle ont été généralement développés sous des climats plus ou moins tempérés. Dans l’optique de vérifier la performance de ces modèles sur les rivières en milieu tropical humide, il a été optimisé et comparé, dans ce travail, deux séries d’architectures (une première série avec la pluie en entrée (modèles n°1 et n°3) et une seconde avec la pluie et l’ETP en entrée (modèles n°2 et n°4). Ces modèles neuronaux ont été comparés avec un autre modèle global, le modèle GR2M, sur le Bandama blanc à Bada et à Tortiya. Les modèles neuronaux ont été optimisés avec l’algorithme de Levenberg Marquarld (LM) en associant l’arrêt précoce, tandis que le modèle GR2M a été optimisé avec la méthode pas à pas. Le critère de Nash (%) et le coefficient de corrélation de Pearson (R) ont permis d’apprécier les performances de ces modèles. Pour les modèles neuronaux et le modèle GR2M, les coefficients de corrélation de Pearson (R) sont supérieurs à 0,80 à toutes les stations. En ce qui concerne le critère de Nash, il est généralement supérieur à 60% pour les différentes architectures de modèles (Réseaux de neurones et GR2M) à Bada et à Tortiya. Cependant, les modèles neuronaux apparaissent plus performants que le modèle GR2M à toutes les stations. Le modèle neuronal avec seulement la pluie en entrée est plus performant que le modèle GR2M avec la pluie et l’ETP en entrée à toutes les stations d’étude. Aussi, les hydrogrammes observés et calculés sont très bien synchrones. On peut donc conclure que les réseaux de neurones sont aussi applicables, avec de bonnes performances, en région tropicale humide.