Transport solide et régionalisation des concentrations extrêmes en particules fines dans les oueds

Abstract

La prédiction des Concentrations de sédiments en suspension CSS extrêmes dans les zones arides et semi-arides a suscité un intérêt croissant depuis des années vu leur rôle primordial dans la planification et la gestion des ressources en eau. Aujourd'hui la modélisation des CSS par les réseaux de neurones artificiels RNA et les systèmes adaptatifs neuro flou d'inférence ANFIS sont des méthodes très développées et largement utilisées pour faire face au manque des données dans les sites non jaugés ou peu jaugés, en raison de leur simplicité d'application et fiabilité comparément aux modèles régressifs. L'objectif principal de cette étude est la régionalisation des CSS par les modèles régressifs, les modèles RNA et ANFIS dans cinq grands bassins versants de l'Est Algérien : les Côtiers Constantinois, les Hauts plateaux Constantinois, le Kébir Rhumel, le Seybouse, et le Soummam, qui sont caractérisés à la fois par une forte charge d'érosion hydrique et d'un manque de mesures des CSS. Une application a été donnée aux séries chronologiques : des débits liquides Ql, débits solides Qs, et des CSS journalières, pour 14 stations hydrométriques contrôlant la totalité de la zone d'étude. Deux vecteurs d'entrée ont été choisis : le premier vecteur contient une seule entrée : débit liquide Ql, et une seule sortie : débit solide Qs. Le deuxième vecteur : deux entrées : débit liquide Ql et débit solide Qs et les Concentrations des Sédiments en Suspension CSS comme sortie. Les meilleurs modèles ont été obtenus sont pour des perceptrons multicouches PMC d'une architecture : Flux vers l'avant ou " Feed for ward " FNN qui utilise la méthode de rétropropagation de l'erreur avec un l'algorithme de Levenberg-Marquardt "LM", pour la modélisation par RNA. Les meilleurs modèles ANFIS ont été développés en appliquant un modèle du premier ordre Takagi Sugeno TSK avec un algorithme d'apprentissage hybride. La fiabilité des modèles créés a été évaluée par cinq critères de validation : le coefficient de détermination R2, le coefficient de corrélation R, le coefficient Nash-Sutcliffe NSE, l'erreur quadratique moyenne MSE, la racine carrée de l'erreur quadratique moyenne RMSE et l'erreur absolue moyenne MAE. Les modèles RNA et ANFIS ont montré une performance très élevée pour les deux vecteurs d'entrée.