Qualité des données hydrométriques prédites par une approche machine learning dans l’évaluation de la ressource en eau au nord de la Cote d’Ivoire
Abstract
L'écoulement des rivières revêt un intérêt particulier dans la gestion rationnelle des ressources en eau. Son estimation permet d'évaluer quantitativement la disponibilité des ressources en eau, ainsi que de prévenir des catastrophes naturelles telles que les inondations et les sécheresses. Ces estimations, généralement effectuées à l'aide de méthodes statistiques ou d'apprentissage automatique, sont parfois biaisées, entraînant des écarts par rapport aux observations in situ. Cette étude a pour objectif d'analyser la qualité des données de débit de la rivière Bagoé prédites par des réseaux neuronaux, afin d'aider les décideurs dans leurs projets de développement durable. Pour ce faire, deux modèles basés sur des réseaux neuronaux ont été développés pour prévoir les variations des débits mensuels de la rivière Bagoé aux instants t et t+3 respectivement. Les modèles sont validés en utilisant le critère de Nash (%), le coefficient de corrélation de Pearson (R), le rapport du débit maximal et le critère de robustesse. Les résultats obtenus indiquent que les modèles neuronaux développés expliquent plus de 82 % des débits mensuels de la rivière Bagoé. Ceux-ci variaient respectivement de 0,002 m3s-1 à 300,12 m3s-1, avec une moyenne de 31,10 m3s-1 en calibration, et de 0,002 m3s-1 à 243,32 m3s-1, avec une moyenne de 31,29 m3s-1 en validation. Cependant, certains décalages dans les débits extrêmes ont été observés à la fois en calibration et en validation.
River flow is of particular interest in the rational management of water resources. Their estimation enables quantitative assessment of water resource availability, as well as anticipation of natural disasters such as floods and droughts. These estimates, generally made using statistical methods or machine learning, are sometimes biased, resulting in variations that differ from those observed in situ. The aim of this study is to analyze the quality of flow data for the Bagoé River predicted by neural networks, in order to help decision-makers in their sustainable development projects. To achieve this, two neural network-based models were developed to forecast variations in monthly flows in the Bagoé River at time t and time t+3 respectively. The models are validated using the Nash criterion (%), Pearson's correlation coefficient (R), the maximum flow ratio and the robustness criterion. The results obtained indicate that the neural models developed expressed more than 82% of the monthly flows of the Bagoé River. These ranged respectively from 0.002 m3s-1 to 300.12 m3s-1, with an average of 31.10 m3s-1 in calibration, and 0.002 m3s-1 to 243.32 m3s-1, with an average of 31.29 m3s-1 in validation. However, some shifts in extreme flows were observed in both calibration and validation.
Downloads
Metrics
References
2. Adja, M. G., Djemin, J. E., N’dri, F. O., Kouame, F. K. & Biemi, J.(2019).Contribution des modèles hydrologiques et des SIG à l’étude de l’impact de la variabilité climatique et du changement de l’occupation du sol sur les ressources en eau du bassin versant de la Volta en Côte d’Ivoire, International Journal of Innovation and Applied Studies ISSN 2028-932, Vol. 26, (No. 2), pp. 652-667
3. Ardoin-Bardin, S., Dezetter, A., Servat, E., Mahé, G., Paturel, J. E., Dieulin, C., & Casenave, L. (2005). Évaluation des impacts du changement climatique sur les ressources en eau d’Afrique de l’Ouest et Centrale. Regional Hydrological Impacts of Climatic Change—Hydroclimatic Variability, pp 194‑202.
4. Assoko, A., S.,V. (2022). Conception d’outils de prévision des extrêmes hydrologiques en région tropicale ouest africaine : cas du bassin versant de la Marahoué en côte d’ivoire. Thèse de Doctorat, Institut national polytechnique Felix Houphouët-Boigny, 240p
5. Assouman, S. F., Kone M., & Koli, B. Z., (2016). Morphologie du paysage, variabilite pluviometrique et amenagement de la plaine alluviale de la bagoé : l’exemple de guinguerini au nord de la cote d’ivoire. Revue de Géographie Tropicale et d’Environnement, N°1, 13. pp. 5-17
6. Beguería, S., Sans, F., Antigüedad, I., Cakir R., Domènech, M., Haro-Monteagudo, D., Huang, P., Jódar, J., Lambán, Jiménez, L. J., & Le Coent, P. (2023). Adaptation au changement climatique dans la gestion des ressources en eau des Pyrénées. Mémoires scientifiques du projet, Piragua, vol. 2., 243p
7. Bowden, G. J., Dandy, G. C. & Maier, H.R.( 2005). Input determination for neural network models in water resources applications: Part 1 - Background and methodology. Journal of Hydrology, 301(1-4), pp. 75-92, DOI: 10.1016/j.jhydrol.2004.06.021
8. Brou, L. A., Kouassi, K. L. K., Konan, K. S., Kouadio, Z. A., Konan, K. F. et Kamagaté B. (2017). Rain-Flow Modeling Using a Multi-Layer Artificial Neural Network on the Watershed of the Cavally River (Côte d’Ivoire). Journal of Water Resource and Protection, Volume 09, n°12, pp 1403‑1413.
9. Camara, S., & Bangoura, A. (2017). Valorisation des ressources en eau en guinee en vu d’un developpement economique, social et durable. Journal of Water and Environmental Sciences, 1, pp 106‑114.
10. Cardinal, H., Delbec, M., Monier, L., &Willinger, B. (2023). La plateforme Prévi-Bièvre : Un outil de gestion dynamique et de prévision des inondations au service des riverains de la Haute Vallée de la Bièvre. Novatech 2023: 11e Conférence internationale sur l’eau dans la ville, 6p
11. Dechemi, N., Benkaci, T., & Issolah, A. (2003). Modélisation des débits mensuels par les modèles conceptuels et les systèmes neuro-flous. Revue des sciences de l’eau, 16(4), pp. 407-424. https://doi.org/10.7202/705515ar
12. El Yadari, S., & Idrissi, A. J. (2023). Changement climatique et effets de la secheresse hydroclimatique sur les ressources en eau et quelques formes d’adaptations : cas du bassin versant d’inaouene, Maroc. Revue des Etudes Multidisciplinaires en Sciences Economiques et Sociales, 8(2), pp. 142-151
13. Fletcher, R.(2000). Practical methods of optimization. John Wiley & Sons
14. Girard, G. (1961). Etude du bassin de la Haute Bagoé. Résultats de la campagne 1960, ORSTM, 82 p.
15. Kharroubi, O., Blanpain, O., Masson, E., & Lallahem, S. (2016). Application du réseau des neurones artificiels à la prévision des débits horaires : Cas du bassin versant de l’Eure, France. Hydrological Sciences Journal, 61(3), pp. 541‑550.
16. Koffi, Y. B., Ahoussi, K. E., Kouassi, A. M., Kouassi, O., Kpangui, L. C. & Biemi, J. (2014). Application des réseaux de neurones formels pour la prévision des débits mensuels du Bandama blanc à la station de Tortiya (Nord de la Côte d’Ivoire). Afrique Science : Revue Internationale Des Sciences et Technologie, Volume 10, n°3, pp. 134-135
17. Kohnert, D. (2023). L'eau, une bénédiction et une malédiction: comment résoudre les conflits liés à l'eau en Afrique de l'Ouest? Hamburg. En ligne: https://nbn-resolving.org/urn:nbn:de:0168-ssoar-88149-7 , 30p (Consulté le 2 Mars 2024)
18. Kouao, J.-M., Kouassi, A. M., & Kouame, K. A. (2022). Prévision de la sécheresse météorologique et agrométéorologique dans un contexte de changements climatiques en afrique de l’ouest : cas de la côte d’ivoire, Rev. Ivoir. Sci. Technol., 40, pp. 279 – 307
19. Liu, H. (2024). Empowering Predictivity and Speed of hiPSC CM Assays by Machine Learning Approach [Phdthesis, Sorbonne Université]. https://theses.hal.science/tel-04573685, 136p
20. Lek, S., Dimopoulos, I., Derraz, M. & El Ghachtoul, Y. (1996). Modélisation de la relation pluie-débit à l’aide des réseaux de neurones artificiels. Revue des Sciences de l’eau, Volume 9, n°3, pp. 319-331.https://doi.org/10.7202/705255ar
21. Lucea, M. (2006). Modélisation dynamique par réseaux de neurones et machines à vecteurs supports : contribution à la maîtrise des émissions polluantes de véhicules automobiles. Thèse de Doctorat de l’Université PARIS 6, Paris, France, 199 p.
22. Mahé, G., Olivry J.C. & Servat E. (2005). Sensibilité des cours d’eau ouest-africains aux changements climatiques et environnementaux : extrêmes et paradoxes. Colloque AISH Scientific Assembly:
23. New, M., Hulme, M. & Jones, P. (1998). Representing 20th century space-time climate variability. II: Development of 1901–1996 monthly terrestrial climate fields. J. Climate 13, pp. 2217–2238
24. Njeugeut, A., C., M., Youan,Ta M., Kamenan, S.,J-R., Assoma, T., V., & Jourda J., P. (2023). Cartographie Automatique des Zones Inondées et Evaluation des Dommages dans le District d’Abidjan à l’Aide de l’Imagerie Satellitaire Radar Sentinel-1 Depuis Google Earth Engine. European Scientific Journal, ESJ, 22, pp. 124-156. Retrieved from https://eujournal.org/index.php/esj/article/view/17285
25. Ouissem, K. (2013). Prévision des crues par modèle de réseau de neurones artificiels : Application au bassin versant de l’Eure (Lille 1). Thèse de Doctorat de l’Université de Lille 1, France, 210 p.
26. Sané, T., & Faye, C. (2015). Le changement climatique dans le bassin versant de la Casamance: Évolution et tendances du climat, impacts sur les ressoaurces en eau et stratégies d’adaptation., Atelier scientifique et du lancement de l’initiative « Casamance: un réseau scientifique au service du development en Casamance » du 15-17 juin 2015 à Ziguinchor, Sénégal, L’Harmattan, ISBN : 978-2-343-07690-4, pp 89-110
27. Souanef, N. (2015). Analyse fréquentielle des débits max de crues de L’Oued Abiod. Master, Université Mohamed Khider, Algérie, 134 p, http://thesis.univ-biskra.dz/1556/
28. Stollsteiner, P., Wuillemier, A., Bessière, H & Seguin, J (2012). Guide pour la détermination des indicateurs piézométriques en vue d’une gestion quantitative de la ressource. [Rapport de recherche] Brgm; Onema. ffhal-02936929ff
Copyright (c) 2024 Satti Jean-Robert Kamenan, Miessan Germain Adja, Ta Marc Youan, Amani Michel Kouassi, Mbiafeu Amandine Carine Njeugeut
This work is licensed under a Creative Commons Attribution 4.0 International License.
.jpg)
