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)

Abstract

Plusieurs travaux témoignent de la capacité des réseaux de neurones à modéliser les débits des rivières. Malheureusement on ignore actuellement si ces modèles neuronaux sont performants pour la prévision du binôme pluie-débit en régime tropical humide en général et particulièrement sur le Bandama Blanc dans le Nord de la Côte d‟Ivoire. Ce travail de recherche permettra de vérifier l‟efficacité des réseaux de neurones formels pour la prévision des débits mensuels du Bandama Blanc à partir de la relation pluie-débit qui est non-linéaire. Trois modèles de réseaux de neurones ont donc été optimisés afin d‟atteindre cet objectif. Une base de données composée du débit, de la pluie, de la température et de  l‟Evapotranspiration Potentiel (ETP) au pas de temps mensuel à été utilisée comme entrée de ces modèles.
Ces données ont été normalisées entre 0 et 1 et subdivisées en deux blocs : un premier bloc composé des 2/3 des données (1971-1988) pour l‟apprentissage et un second bloc composé du 1/3 des données (1989- 1997) pour la validation. Ces modèles ont été optimisés avec l‟apprentissage supervisé. Le critère de Nash-Sutcliffe et le coefficient de corrélation (R) ont été utilisés pour tester la performance de ces modèles. Les résultats obtenus montrent que tous les modèles expriment plus de 70% de la variation des débits du Bandama Blanc à Tortiya. Pour tous ces modèles, les valeurs du critère de Nash-Sutcliffe calculées sont nettement supérieures à 70% et les coefficients de corrélation de Pearson sont très élevés et supérieurs à 0,80. Mais, malgré ces bonnes performances, les débits extrêmes sont généralement mal modélisés.

Mots-clés : modélisation, apprentissage, perceptron multicouches, rivière.