REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA

RECHERCHE SCIENTIFIQUE

Université Larbi Ben M'hidi- Oum El Bouaghi

Faculté des sciences et sciences appliquées

DEPARTEMENT HYDRAULIQUE URBAINE

MEMOIRE DE FIN D’ETUDES

POUR L’OBTENTION DU DIPLOME MASTER EN HYDRAULIQUE URBAINE

Option : Hydraulique Urbaine

THEME :

Prévision des débits solides et Modélisation pluies-

débits dans un milieu semi-aride par réseau de
neurone artificiel et neuro-flou (cas d'un bassin
versant)

Présenté par :
Melle HABCHI Imane

DEVANT LES MEMBRES DU JURY

Nom et Prénom Grade Qualité

Mr TAMRABET lahbib M.C.B Président

Mme MERROUCHI Farida M.C.B Examinatrice

Mr MAROUF Nadir M.C.A Promoteur

Juillet 2019
 Remerciement

 Je tiens à remercier vivement tous ceux qui m’ont apporté un soutien pour
l’élaboration de ce mémoire de fin d’étude, particulièrement ma famille.

 Toute ma gratitude pour mon promoteur Mr MAROUF Nadir pour ses

judicieux conseils ainsi que ses disponibilités tout au long de l’élaboration
de ce travail.

 Mon respect s’adresse aux membres de jury qui me feront l’honneur

d’apprécier ce travail.

 Je tiens à présenter par occasion tout mon respect à tous les enseignants
qui ont contribués à ma formation du primaire jusqu’au cycle universitaire.

 Je n’oublie pas non plus tous mes amis qui m’aiment et les membres de ma
famille qui m’ont toujours encouragé pour atteindre mes objectifs.

[Link]

I
 Dédicace :

Je dédie ce modeste travail à ceux qui m’ont tout donné sans rien demandé et à qui je dois
énormément et qui je ne remercierais jamais assez :

A ma famille qui a tout donné pour que je sois à ce niveau et qui m’a inculqué un esprit de
combativité et de persévérance et qui m’a toujours poussé et motivé dans mes études.

A ma très chère grand-mère « Ouarda » qui n’a pas cessé de prier pour moi, pour son
affection et son amour, et qui m’a aidé durant toute mes études ; que dieu les gardes pour
nous.

A ma meilleure amie « Sana » pour son aide, son temps, son encouragement, son assistance
et soutien.

A tous ceux qui ont contribué de près ou de loin à la réalisation de ce travail.

Merci.

I. Habchi

P a g e II
Résumé
La prévision en hydrologie est l’un des questions cruciales en hydrologie dans la
réduction des risques et la prevention contre les catastrophes liées à l’eau. A ce fait, les
hydrologues ont déployé des efforts pour la prévision des caractéristiques des débits liquide
et solide dans les bassins non jaugés. Avec le développement de l’outils informatique, La
modélisation a boite noire constitue une alternative viable et justifiée pour la simplification
des phénomènes à comportement non-linéaire et complexe dans le bassin versant.
Les objectifs de la présente étude sont, premièrement, chercher un modèle pluie-
débit en utilisant le réseau de neurone artificiel et le neuro-flou dans le bassin versant
Sébaou situés dans un milieu semi-aride et étudier l’impact des paramètres climatiques sur
la réponse hydrologique de bassin versant. Ensuite, appliquer les deux modèles RNA et
ANFIS qui visent à évaluer les débits solides et déduire l’érosion spécifiques.
Les résultats obtenus, ont permis d’indiquer en premier lieu, la fiabilité du model
ANFIS appliqué sur notre bassin versant dans pour la modélisation de la relation pluie-
débit et le processus débit liquide-débit solide. D’autre part L’évaluation du transport solide
par ce modèle à cette échelle estime une dégradation spécifique moyenne du bassin versant
est de l’ordre de 10,03 /km²/an.

Mots clés : modélisation, débit liquide, Débit solide, précipitation, RNA, paramètres
hydro climatique, neuro-flou, semi-aride

Abstract
Prediction in hydrology is one of the crucial issues in hydrology in risk reduction and
prevention against water - related disasters. As a result, hydrologists have put a lot of effort
into predicting the characteristics of liquid and solid flows in ungauged basins. With the
development of computer tools, Stochastic modeling is justified alternative for the
simplification of phenomena with non-linear and complex behavior in the watershed.
The objectives of this study are, first, search for a rain-flow model using the artificial neural
network and neuro-fuzziness in the Sébaou watershed located in a semi-arid environment
and to study the impact of climatic parameters on the watershed
hydrological response. Then appliqued both RNA and ANFIS models designed to
assessing in time and I space, I impact of precipitation on water erosion.
The results obtained, allowed to indicate in the first place, the reliability of the ANFIS
model applied on our watershed in for the modelling of the relationship rain-flow and the
process liquid-flow solid flow. On the other hand, the assessment of solid transport by this
model at this scale estimates an average specific degradation of the watershed of the order
of10.03/km²/year.
Key words: modelling, liquid flow, solid flow, precipitation, RNA, hydro climatic
parameters, neuro-fuzzy, semi-arid.
 ‫ملخص‬
‫والتنبؤ بالهيدرولوجيا هو أحد المسائل الحاسمة في الهيدرولوجيا في الحد من المخاطر والوقاية من الكوارث المتصلة‬
‫بالمياه‪ .‬ونتيجة لذلك‪ ،‬بذل علماء المياه الكثير من الجهد للتنبؤ بخصائص التدفقات السائلة والصلبة في األحواض غير‬
‫المقيدة‪ .‬مع تطوير أدوات الحوسبة‪ ،‬ووضع النماذج العشوائية تشكل بديل قابل للتطبيق وله ما يبرره لتبسيط الظواهر مع‬
‫السلوك غير الخطي والمعقد في دفع صب البركة‪.‬‬
‫تتمثل أهداف هذه الدراسة‪ ،‬في المقام األول‪ ،‬في البحث عن نموذج المطر‪ -‬التدفق باستخدام شبكة الخاليا العصبية‬
‫االصطناعية والعصب التقريبي في البركة صب سيبو الواقعة في بيئة شبه قاحلة ودراسة تأثير البارامترات المناخية‬
‫على اإلجابة الهيدرولوجية للدفع صب‪ ,‬البركة‪ .‬ثم طبق كال النموذجين اللذين يهدفان إلى تقدير التدفقات الصلبة واستنتاج‬
‫التعرية المحددة‪.‬‬
‫لقد تم الحصول على النتائج)‪ ،‬وسمحنا باإلشارة في المقام األول إلى موثوقية نموذج العصب التقريبي الذي طبق على‬
‫البركة الصب لنموذجة العالقة بين المطر‪-‬تدفق السائل ‪ .‬ومن ناحية أخرى‪ ،‬فإن تقييم النقل الصلب بهذا النموذج في هذا‬
‫المقياس يعتبر معدل تحلل محدد لبركة يبلغ ‪10.03‬عام\ كم‪.2‬‬

‫الكلمات الجوهرية ‪:‬النمذجة‪ ،‬المطر ‪,‬التدفق‪ ،‬التدفق الصلبة‪ ،‬العوامل المناخية‪ ،‬الشبكة العصبية ‪ ،‬العصبية الغامضة‪،‬‬
‫شبه القاحلة‪ .‬تحديث نموذج هيدرولوجي‪.‬‬
 Table des matières
Remerciement………………………………………..………………………………..…. I
Dédicace …………………………………………………………………………..…….. II
Résumé ……………………………..……………………………………………......…..III
Table de matière…………………………………………………………………..……..IV
Liste des figures ….………………………………………………………………………X
Liste des tableaux …………………………………………………………………...XII
Introduction générale…………………………………………………………...………...1

Chapitre I : Synthèse bibliographique sur la modélisation pluie-débit et

débit liquide-débit solide

I.1 Introduction ...............................................................................................................2

I.2 Généralités ................................................................................................................2
Le cycle hydrologique de l’eau .........................................................................2
Le bassin versant : .............................................................................................3
Précipitations .....................................................................................................3
Evapotranspiration .............................................................................................4
La condensation .................................................................................................4
Le ruissellement .................................................................................................4
Débit ..................................................................................................................4
Le débit solide : .................................................................................................5
Bilan hydrologique ............................................................................................5
L’érosion :..........................................................................................................5
Forme d’érosion :...............................................................................................5
L’érosion hydrique ............................................................................................6
Origine et mécanisme : ......................................................................................6
Les facteurs induisant l’érosion hydrique ..........................................................6
Relation débits liquides–débits solides ..............................................................7
Relation précipitation-débit liquide –débit solide .............................................8
I.3 La modélisation hydrologique ..................................................................................8
I.3.1 Définition d’un modèle : ................................................................................8
I.3.2 Propriétés du modèle......................................................................................9
 I.3.3 But de la modélisation ...................................................................................9
I.3.4 Typologie des modèles hydrologiques.........................................................10
I.3.5 Classification des modèles ...........................................................................11
I.3.6 Les critères d’évaluation des performances des modèles ............................13
I.4 .Modèle pluie – débit ..............................................................................................15
I.5 Les réseaux de neurones artificiels .........................................................................15
I.6 .Le modèle neurone-floue .......................................................................................25
I.7 Conclusion…………………………………………………………….……. ...
Erreur ! Signet non défini.

Chapitre II : Présentation du site et étude de bassin versant

II.1. Introduction ……………………………………………………………………35

II.2. Présentation de la zone d’étude : ............................................................................35
II.2.1. Situation géographique de bassin versant de Sébaou ......................................35
II.2.2. Présentation de l’oued Sébaou :.......................................................................36
II.2.3. Etude géologique .............................................................................................36
II.2.4. Sismologie .......................................................................................................38
II.3. Lithologie ................................................................................................................38
II.4. Le couvert végétal ...................................................................................................38
II.5. Réseau hydrographique :.........................................................................................39
II.6. Etude et caractéristiques de bassin versant .............................................................41
II.6.1 Caractéristiques physiques de bassin versant ..................................................41
II.6.2 Hypsométrie du bassin versant ........................................................................43
II.6.3 Le réseau hydrographique et caractéristiques d’écoulement ...........................45
II.6.4 Caractéristiques hydro-climatologiques ..........................................................47
II.7. Conclusion ..............................................................................................................54

Chapitre III : Analyse statistique et hydrologique

III.1. Introduction .............................................................................................................55

III.2. Pluviometrie ............................................................................................................55
Acquisitions des données pluviométriques......................................................55
Précipitations interannuelles des stations étudiées ..........................................55
La variation des pluies moyennes mensuelles pour les stations étudiées ........57
Traitement des données pluviométrique ..........................................................58
III.2.4.1. Comblement de lacunes ...........................................................................58
III.2.4.2. Homogénéisation des données .................................................................58
III.2.4.3. Analyse en composantes principales (ACP) des précipitations
annuelles…………… .................................................................................................59
Ajustement des précipitations Annuelles : ......................................................64
III.3. Analyse des données hydrométriques : ...................................................................68
III.3.1. Acquisitions des Débits annuels ......................................................................68
III.3.2. Relation précipitation –débit liquide ...............................................................70
III.3.3. Ajustement des débits liquides moyennes Annuelles ......................................72

III.4. Conclusion ............................................................................................................. 76

Chapitre IV : Application du modèles RNA et ANFIS dans la relation

pluie-débit

VI.1. Introduction:............................................................................................................77
VI.2. Application du modèles RNA et ANFIS ................................................................77
VI.3. Réseau de neurone artificiel ....................................................................................78
IV.3.1. Résultats de la simulation avec RNA ..............................................................79
IV.3.2. Mise en œuvre des modèles : le langage Matlab .............................................80
IV.3.3.Résultats du modèle neuronale pluie-débit appliqué aux données
journalières : ...................................................................................................................80
IV.3.4. Résultats du modèle neuronale pluie-débit liquide appliqué aux données
mensuelles ......................................................................................................................84
IV.3.4.1. A une seule entrée (pluie) : ......................................................................84
IV.3.4.2. plusieurs entrées (pluie, température, humidité relative de l’air) :...........88
IV.3.5. Constatations générales sur la modélisation pluie-débit liquide par RNA : ....92
VI.4. Le système d’inférence logique à base de réseau adaptif (ANFIS) ........................93
 IV.4.1.Résultats du modèle ANFIS sur la relation pluie-débit liquide appliqué aux
données journaliers :.....................................................................................................96
IV.4.2.Résultats du modèle ANFIS sur la relation pluie-débit liquide appliqué aux
données mensuelles ........................................................................................................99
IV.4..Constations générales sur la modélisation pluie-débit par ANFIS : ...................102
VI.5. Comparaison des résultats des modèles RNA et neuro-flou :...............................102
VI.6. Conclusion: ...........................................................................................................103

Chapitre VI : Application du modèles RNA et ANFIS dans la relation

débit liquide-débit solide
VI.1. Introduction :.........................................................................................................104
VI.2. Application du modèles RNA et ANFIS ..............................................................104
VI.3. Résultats du modèle neuronale débit liquide-débit solide appliqué aux données
journaliers ........................................................................................................................105
VI.4. Résultats du modèle neurone-floue débit liquide-débit solide appliqué aux données
journaliers ........................................................................................................................113
VI.3.1. A une seule entrée (débit liquide) : ............................................................113
VI.3.2. A plusieurs entrées (pluie, débit liquide) : .................................................116
IV.3.1. Constations générales sur la modélisation débit liquide-débit solide par
ANFIS:……………………………………………………………………………….118
VI.5. Comparaison des résultats des modèles RNA et neuro-flou :...............................119
VI.6. Etude des relations débits liquides-débits solides : ...............................................119
VI.7. Estimation des apports solides : ............................................................................120
VI.8. Estimation de la dégradation spécifique : .............................................................123
VI.9. Conclusion : ..........................................................................................................127

Conclusion générale……………………………………………………………….. 128

Référence bibliographique …………………………………………………………… 130
 Liste des figures

Chapitre I : Synthèse bibliographique

Figure I.1: le cycle de l'eau ..................................................................................................2
Figure I. 2: schéma du bassin versant ..................................................................................3
Figure I. 3: Les variables d’un modèle hydrologique (d’après Gaume, 2002). .................10
Figure I. 4: Schéma de description des modèles hydrologiques (Anctil et al. 2005) ........13
Figure I. 5:neurones biologiques........................................................................................16
Figure I. 6: Schéma d'un neurone formel ..........................................................................17
Figure I. 7: Schéma du fonctionnement d’un neurone formel ...........................................18
Figure I. 8: Schéma du réseau neurone feed-back .............................................................20
Figure I. 9: Le perceptron monocouche .............................................................................20
Figure I. 10: Le perceptron multicouches ..........................................................................21
Figure I. 11: Schéma des réseaux feed back ......................................................................21
Figure I. 12: Apprentissage supervisé ................................................................................22
Figure I. 13:Un apprentissage non supervisé .....................................................................23
Figure I. 14: Fonctions d’appartenance linéaires par morceaux ........................................26
Figure I. 15: Exemple d’un support et d’un noyau. ...........................................................27
Figure I. 16: Les étapes fonctionnelles d'une règle floue ..................................................28
Figure I. 17:Architecture du modèle ANFIS. ....................................................................31
Figure I. 18: Méthode d’apprentissage Hybride ................................................................32

Chapitre II : Présentation du site et étude de bassin versant

Figure II. 1: Situation géographique du bassin versant du Sébaou(ZEROUALI et al,
2015,) .................................................................................................................................35
Figure II. 2: Carte géologique Tizi-Ouzou d’Algérie (Source : ANRH Alger) .................37
Figure II. 3: Carte hydrologique du bassin versant oued Sébaou (ANRH, 2010) .............40
Figure II. 4:Répartition des stations hydrométriques dans le bassin versant du Sébaou
(Source : ANRH) ...............................................................................................................48
Figure II. 5: Répartition des stations pluviométriques dans le bassin versant du Sébaou
(Source : ANRH) ...............................................................................................................49
Figure II. 6: Carte de la pluviométrie moyenne annuelle de la région d’étude……. ……49

Chapitre III : Analyse statistique et hydrologique

Figure III. 1: Variation interannuelle de précipitation dans les différentes stations

étudiées ..............................................................................................................................56
Figure III. 2: Variation mensuelle des précipitations pour les 06 stations étudiées .........57

Page V
Figure III. 3:Projection des stations sur les deux axes des 6 stations. ...............................61
Figure III. 4:Variance cumulée des composantes principales ...........................................62
Figure III. 5:Projections des observations sur la première composante ............................63
Figure III. 6:Projections des observations sur la deuxième composante ...........................63
Figure III. 7:Projections des observations sur la troisième composante ...........................64
Figure III. 8: Ajustement des précipitations annuelles à loi Normale ([Link] ) .............65
Figure III. 9: Ajustement de la série pluviométrique à la loi de Galton (St. Freha) ..........66
Figure III. 10: La variation des débits liquides moyennes interannuelle pour les stations 69
Figure III. 11:Variations des débits et précipitations annuels des 6 stations .....................71
Figure III. 12: Ajustement de la série pluviométrique à la loi Normal(St. Belloua) .........73
Figure III. 13: Ajustement de la série pluviométrique à la loi de Galton(St. Belloua) ......74

Chapitre IV : Application du modèles RNA et ANFIS dans la relation pluie-débit

Figure IV. 1:la convergence du modèle (12-4), station Freha ...........................................80
Figure IV. 2:la convergence du modèle (10-2), station Freha ...........................................81
Figure IV. 3:la convergence du modèle (10-4), station Freha ...........................................81
Figure IV. 4:Résultats de simulations journalières par les réseaux de neurones modèle
(12-4), station Freha ...........................................................................................................82
Figure IV. 5:Résultats de simulations journalières par les réseaux de neurones modèle
(10-2), Station Freha ;b :)...................................................................................................83
Figure IV. 6:Résultats de simulations mensuelles en absences les paramètres hydro-
climatique (10-2) par RNA , Station Belloua ....................................................................85
Figure IV. 7:Résultats de simulations mensuelles en absences les paramètres hydro-
climatique (5-2) par RNA , Station Belloua ......................................................................86
Figure IV. 8:résultats du modèle neuronale retenue (6-4),station Belloua ........................87
Figure IV. 9:Résultats de simulations mensuelles en présence des paramètres hydro-
climatique (10-4) par RNA , Station Belloua ....................................................................89
Figure IV. 10:Résultats de simulations mensuelles en présence des paramètres hydro-
climatique (12-4) par RNA , Station Belloua ....................................................................90
Figure IV. 11: les résultats du modèle neuronale retenue (6-4),station Belloua................91
Figure IV. 13:Résultats de simulations journalier a une seule entrée ( pluie) par ANFIS
(100 règle ), Station Belloua ..............................................................................................94
Figure IV. 14:Résultats de simulations journalier a une seule entrée (pluie) par ANFIS
(25 règle) , Station Belloua ................................................................................................95
Figure IV. 15:Résultats de simulations mensuelles a une seule entrée (débit liquide) par
ANFIS (25 règle floue ) , Station Belloua .........................................................................97

P a g e VI
Chapitre IV : Application du modèles RNA et ANFIS dans la relation débit liquide-
débit solide

Figure VI. 1:Résultats de simulations journalier a une seule entrée (débit liquide) modèle (6-2)
par RNA , Station Belloua .......................................................................................................... 106
Figure VI. 2:Résultats de simulations journalier a une seule entrée (débit liquide) modèle (8-2)
par RNA , Station Belloua .......................................................................................................... 107
Figure VI. 3: les résultats du modèle neuronale retenue (12-4),(St :Belloua) ............................ 108
Figure VI. 4:Résultats de simulations journalier a deux entrée (débit liquide, pluie) modèle (12-
4) par RNA ; ............................................................................................................................... 110
Figure VI. 5:Résultats de simulations journalier a deux entrée (débit liquide, pluie) modèle (8-2)
par RNA , (St :Belloua) .............................................................................................................. 111
Figure VI. 6:les résultats du modèle neuronale retenue (12-4) ;(St : Belloua) ........................... 112
Figure VI. 7:Résultats de simulations journalier a une seule entrée (débit liquide) par ANFIS (5
règle floue) , Station Belloua ...................................................................................................... 114
Figure VI. 8:Résultats de simulations journalier a une seule entrée (débit liquide) par ANFIS (25
règle floue) , Station Belloua ...................................................................................................... 115
Figure VI. 9:Résultats de simulations journalier a deux entrée (débit liquide, pluie) par ANFIS
(64 règle) ; .................................................................................................................................. 117
Figure VI. 10:Résultats de simulations journalier a deux entrée (débit liquide, pluie) par ANFIS
(25 règle) , .................................................................................................................................. 118
Figure VI. 11: Relation entre les débits solides et les débits liquides instantanés de 1990-
1999............................................................................................................................................ 120
Figure VI. 12:Répartition mensuelle des apports solides en suspension (St : Belloua) .............. 122
Figure VI. 13:Répartition saisonnière des apports solides 1990-1998 (St : Belloua) ................. 122
Figure VI. 14:Répartition interannuelle des apports solides (St :Belloua) ................................. 123

P a g e VII
 Liste des Tableaux

Chapitre I : Synthèse bibliographique

Tableau I.1:Les différentes fonctions d'activation pour les neurones(source Mourad

CHIKH,2011).................................................................................................................... 19

Chapitre II : Présentation du site et étude de bassin versant

Tableau II. 1: classification de bassin selon l’indice de compacite de gravelus ................41
Tableau II. 2:caracteristiques de formes des sous bassins etudies. ....................................42
Tableau II. 3:classification de relief...................................................................................42
Tableau II. 4: classification o.r.s.t.o.m (type de relief) ......................................................45
Tableau II. 5: caracteristiques hydromorphometriques du quelques sous bassin du bassin
versant sebaou ............................................................................................................47
Tableau II. 6 : les stations pluviometriques du bassin versant sebaou ...............................48
Tableau II. 7 : la variation des temperatures moyennes annuel mensuel...........................50
Tableau ii. 8:la variation de l'humidite de l'air moyennes annuel mensuel ......................50
Tableau II. 9:: moyenne mensuelles des vitesses du vent. .................................................51
Tableau II. 10:nombre moyen de jours de sirocco a la station de tizi-ouzou ....................51

Chapitre III : Analyse statistique et hydrologique

Tableau III. 1:es variations interannuelles des précipitations ............................................55
Tableau III. 2: Répartition mensuelle des pluies annuelles ...............................................57
Tableau III. 3:Résultat du test d’homogénéité ...................................................................59
Tableau III. 4: Moyenne, Ecart des variables initiales.......................................................60
Tableau III. 5: Matrice des coefficients de corrélations entre les variables .......................60
Tableau III. 6:Valeur propre, Variances expliquées et Variances cumulées .....................61
Tableau III. 7: Projection des variables sur les composantes ............................................62
Tableau III. 8: Paramètre de test deχ2 ................................................................................67
Tableau III. 9: Comparaison des caractéristiques des loi de probabilité ...........................68
Tableau III. 10:La variation des débits liquides moyennes interannuelle pour les stations
étudiées. .............................................................................................................................69
Tableau III. 11: Paramètre de test de χ2 ............................................................................75
Tableau III. 12:résultats de comparaison des caractéristique d'ajustement .......................75
 Chapitre IV : Application du modèles RNA et ANFIS dans la relation
pluie-débit

Tableau IV. 1:La période totale utilisée pour les modèle RNA et ANFIS (station Freha) 78
Tableau IV. 2:La période totale utilisée pour les modèle RNA et ANFIS(station
Belloua) ..............................................................................................................................78
Tableau IV. 3:Résultats du modèle neuronale ...................................................................81
Tableau IV. 4:Résultats du modèle neuronale a une seule entrée (données mensuelles) .84
Tableau IV. 5:Résultats du modèle neuronale a trois entrées (données mensuelles) .......88
Tableau IV. 7: Résultats du modèle journaliers ANFIS (un seul paramètre d'entrée) ......93
Tableau IV. 8:Résultats du modèle mensuelles ANFIS (un seul paramétré d’entrée) ......96
Tableau IV. 9:Résultats du modèle mensuelles ANFIS (une trois entrées) .......................99
Tableau IV. 12: Performances de RNA et ANFIS obtenus à l'échelle journalière ..........102
Tableau IV. 13: Performances de RNA et ANFIS obtenus à l'échelle mensuel (trois
paramètres d'entrée) .........................................................................................................103
Tableau IV. 14: Performances de RNA et ANFIS obtenus à l'échelle mensuel (un seul
paramètre d'entrée) ...........................................................................................................103

Chapitre IV : Application du modèles RNA et ANFIS dans la relation

débit liquide –débit solide

Tableau VI. 1:La période totale utilisée pour les modèle RNA et ANFIS(Belloua) .......105
Tableau VI. 2::Résultats du modèle neuronale avec une seule entrée (données
journaliers) .......................................................................................................................105
Tableau VI. 3:Résultats du modèle neuronale avec deux entrées (données journaliers
) ........................................................................................................................................109
Tableau VI. 4:Résultats du modèle journaliers ANFIS (un seul paramétré entrée) ........113
Tableau VI. 5:Résultats du modèle journaliers ANFIS (une deux entrée) ......................116
Tableau VI. 6:Performances de RNA et ANFIS obtenus à l'échelle journalière (un seule
paramètre d'entrée) ...........................................................................................................119
Tableau VI. 7:Performances de RNA et ANFIS obtenus à l'échelle mensuelle (deux
paramètres d'entrée) .........................................................................................................119
Tableau VI. 8:Répartition mensuelle et annuelle des apports solides en suspension (en
tonnes) ;St : Belloua .........................................................................................................121
Tableau VI. 9 : Répartitions annuelles des dégradations spécifiques en (t/km2/an) ;( St :
Belloua ) ...........................................................................................................................123
 Liste d’Abréviations

NGA : niveau géographique algérien

UTM : Universel transverse Mercator
O.R.S.T.O.M : Office de la recherche scientifique et technique d’outre-mer (devenu
IRD)
Pmoy : Pluie moyenne annuelle en [mm] ;
Q : débit (m3/s) ;
I : pente de fond du canal (%) ;
C : Concentration.
R2 : Coefficient de détermination.
MSE : Mean Square Error (l’erreur carré moyen).
ACP :Analyse des Composantes Principales.
RNFFRP : Réseaux de Neurones Feed-Forward Rétro Propagation.
LM :Levenberg - Marquardt
ONM : Office national de la météorologique
ANFIS « Adaptive-Network-based Fuzzy Inference System
ANRH l’Agence Nationale des Ressource Hydrique
LSE Least Squares Estimate
MF fonction d’appartenance
MSE « mean square error » (Erreur quadratique)
NSE « Nash-Sutcliff effeciency » (Critère de Nash-Sutcliff)
PMC Perceptron multicouches
Pth Pluie issue de la méthode des polygones de Thiessen
RBF « Radial basis function »
RNA Réseau de neurones artificiels
Introduction
Générale
 INTRODUCTION GENERALE

L’eau est un facteur prédominant dans la vie de l’être humaine. Grâce aux
conditions particulières de température et de pression qui y règnent , l’eau est présente sous
ces trois états : solide, liquide et gazeux. Les eaux salées, essentiellement contenues dans
les océans, constituent 97.5% du volume total de l’hydrosphère alors que seulement
0.001% se trouve dans l’atmosphère. L’eau douce continentale quant à elle ne représente
que 2.5% de l’eau présente à la surface de la Terre dont 1.74% et 0.75% sont contenus dans
les glaciers et dans les nappes d’eau souterraines. Les lacs, les rivières et l’humidité des
sols superficiels ne constituent que 0.008% de l’eau résidant sur Terre (Hornberger et al.
1998).
Vue la faible proportion des eaux douces dans le monde, l’explosion
démographique et face aux changements climatiques, les réservoirs d’eau douce sont
susceptibles d’influencer les échanges d’eau, ce qui peut avoir des conséquences
dramatiques pour les populations via les graves crises de l’eau en vingt unième siècle.
Cependant, des grands projets de gestion de l’eau démontrent que de nos jours les
solutions aux problèmes de l'eau se heurtent toujours, tôt ou tard, à une ou plusieurs
catastrophes aux conséquences irréversibles (les inondations et la sécheresse).
L’irrégularité interannuelle et saisonnière des écoulements en surface, la rapidité et
la violence des crues sur l’échelle spatio-temporelle singularise les régimes hydrauliques.
Hélas, cela affecte inévitablement sur la détermination quantitative des paramètres
hydrauliques dans un bassin versant.
En région méditerranéenne, l’Algérie à l’instar des autres pays du Maghreb se
trouve particulièrement vulnérable au changement climatique (Boukheir, 2001). Ce dernier
est devenue une réalité qui s’impose avec des impacts notables sur les ressources en eau.
L’Algérie enregistre un apport pluviométrique moyen annuel de près de 100
Milliards de m3, sur lequel les eaux de surface ne représentent que 12,5 Milliards de m3, le
reste se partage entre l’évaporation, l’infiltration et le déversement vers la mer. De ces 12,5
Milliards de m3, le pays a tenté de mobiliser près de la moitié en construisant 94 barrages
d’une capacité totale de stockage de 6,4 Milliards de m 3 après qu’elle était de l’ordre de 1
Milliard de m3 à l’indépendance (Ammari, 2012). Malheureusement les barrages d’Algérie
ont subi de plein fouet le phénomène d’envasement ce qui est la conséquence directe de
l’érosion.
La nécessité d'aménager et de protéger la ressource en eau de point de vue
quantitatif, implique de comprendre les variabilités spatiales et temporelles des apports et
des écoulements, et leurs couplages avec les mécanismes météorologiques,
climatologiques et géochimiques.
 La maîtrise de cette problématique impose aux hydrologues une connaissance
précise des mécanismes de l'écoulement.
La génération des débits au niveau d’un bassin, résulte d’un grand nombre de
processus superficiels et souterrains qui interagissent d’une façon plus générale dans le
cycle de l’eau à des échelles spatio-temporelles différentes (Ambroise, 1991).
Seules le modèle hydrologique (pluie-débit) sont susceptibles à simuler les débits
de surface, la déduire les propriétés statistiques des flux de pollution par l’intermédiaire
des modèles pluie-débit, et des modèles pluie-débit-MES (Matières en suspension), de
comprendre le fonctionnement d’un bassin versant, d’optimiser la gestion de l’eau et de
prévoir les inondations.
A l’échelle globale, le manque d’observations climatologique indispensables à sa
compréhension est un lourd handicap. Cette situation est cependant en passe d’être
bouleversée grâce au développement informatique. Les chercheurs se sont investis dans
l’intelligence artificielle pour la simplification de la non-linéarité de la relation pluie-débit.
L’application des modèles neurones artificielles, de la logique floue dans la modélisation
hydrologique relève de la catégorie des modèles à boite noire (Hsu ,1995).
Notre travail s’articulera sur deux parties essentielles dont l’objectif principal est
premièrement, d’illustrer à travers une étude comparative entre les deux modèles neuronale
et le système d’inférence adaptatif neuro-floue (ANFIS) pour la modélisation de la relation
pluie-débit, en absence et en présence des paramètres hydro –climatiques afin de voir une
meilleure approche de simuler les débits liquides à l’exutoire du bassin versant étudié.
Deuxièmement, on tentera d’introduire l’impact des précipitations sur la variabilité spatio-
temporelle de la relation débit liquide-débit solide et de quantifier l’apport solide dans le
bassin étudié .
Nous avons donné dans un premier temps, un aperçu sur la modélisation
hydrologique ; ensuite nous avons présenté la zone d’étude (bassin versant Sébaou), et une
étude pour le traitement des données, et enfin une description et application des modèle
RNA et ANFIS sur notre bassin versant.

.
 Chapitre I :

Synthèse

Bibliographique
Chapitre I Synthèse bibliographique

I.1 Introduction
Comme c‘est indiqué dans le plan de travail, cette partie consiste à passer en revue sur les principaux
travaux effectués en modélisations des pluies-débit liquide et débit solide.
La modélisation hydrologique est une discipline des sciences hydrologiques qui s’intéresse principalement
au cycle hydrologique elle vise à comprendre le comportement hydrologique du bassin versant, à décrire
les processus physiques comme l’infiltration, l’évapotranspiration et le ruissèlement et la prévision
hydrométéorologique. En ce sens, elle doit pouvoir décrire le processus de la transformation pluie-débit
et la relation débit solide –débit liquide.
Les facteurs intervenant dans la génération du débit dans un bassin versant sont extrêmement variables
sur les deux axes spatiale et temporelle, ce qui rend la représentation mathématique de ces phénomènes
très complexes. La recherche d'une schématisation de cette complexité est indispensable.
A cet égard, la génération de débit liquide et solide est l’un des questions cruciales en hydrologie et le
point de départ décisif pour fournir des informations exploitables pour la résolution des nombreux défis
de l’hydrologie opérationnelle et de la recherche appliquée.

I.2 Généralités
Le cycle hydrologique de l’eau
L’hydrologie est la science qui étudie la distribution et la circulation de l’eau à la surface de la terre, dans
les sols, dans les souterrains et dans l’atmosphère.
L'ensemble des processus de transformation et de transfert de l'eau forme le cycle hydrologique (Figure
I.1), qui est un ensemble des phénomènes naturels, composé par : les précipitations, l’évapotranspiration,
le ruissellement de surface, l’infiltration, la percolation et le stockage dans les dépressions.

FIGURE I . 1: LE CYCLE DE L 'EAU

Page 2
Chapitre I Synthèse bibliographique

Le bassin versant :
Le bassin versant en une section d'un cours d'eau est défini comme la surface drainée par ce cours d'eau
et ses affluents en amont de la section. Tout écoulement prenant naissance à l'intérieur de cette surface
doit donc traverser la section considérée, appelée exutoire, pour poursuivre son trajet vers l'aval. Les
différents paramètres du bassin versant (forme, altitude, pente, relief…. etc.) interviennent dans les
différents écoulements (Laborde, 2009).

F IGURE I. 2: SCHEMA DU BASSIN VERSANT

Il est caractérisé par :

 Ses entrées (les précipitations)
 Sa géométrie (pentes des versants), sa composition (géologie, pédologie, occupation des sols) et
ses limites (lignes de partage des eaux)
 Ses états internes (humidité des sols, piézométrie)
 Ses sorties (évapotranspiration, débit à l’exutoire du bassin).
Précipitations

Les précipitations constituent la principale « entrée » des principaux systèmes hydrologiques continentaux
que sont les bassins versants.

Ce sont l'ensemble des eaux météoriques qui tombent sur la surface de la terre, tant sous forme
liquide (bruine, pluie, averse) que sous forme solide (neige, grésil, grêle) et les précipitations déposées ou

Page 3
Chapitre I Synthèse bibliographique

occultes (rosée, gelée blanche, givre,). Elles sont provoquées par un changement de température ou de
pression.

Les précipitations peuvent être classées en trois principaux types :

 Les précipitations convectives,

 les précipitations orographiques,
 et les précipitations frontales.

Les précipitations sont un des processus hydrologiques les plus variables.

D'une part, elles sont caractérisées par une grande variabilité dans l'espace et ceci quelle que soit l'échelle
spatiale prise en compte (régionale, locale, etc.).
D'autre part, elles sont caractérisées par une grande variabilité dans le temps, aussi bien à l'échelle annuelle
qu'à celle d'un événement pluvieux
A l'échelle mondiale, on peut classer les précipitations en plusieurs régimes pluviométriques. Ces
régimes sont définis à partir des précipitations moyennes annuelles ou moyennes mensuelles présentent
des caractéristiques d'intensité et de durée diverses.
Evapotranspiration
C’est le processus par lequel l’eau liquide est convertie en vapeur (vaporisation) puis extraite milieu
(convection et diffusion). Elle dépend donc de facteurs climatiques dont:
 L’énergie solaire (source d’énergie pour la vaporisation)
 La température ambiante (agitation moléculaire et capacité de l’air à stocker l’eau)
 L’humidité de l’air (capacité de l’air à stocker l’eau)
 La vitesse du vent (pour la convection, qui permet de remplacer de l’air humide par de l’air plus
sec).
La condensation
Au contact des couches d’air froid de l’atmosphère, la vapeur d’eau se condense en minuscules
gouttelettes, qui poussées par le vent se rassemblent et forment des nuages.
Le ruissellement
Ces pluies et neiges s’écoulent vers les plaines pour alimenter les nappes souterraines.
Débit
Le débit du cours d'eau, noté Q et exprimé en m 3/s ou l/s, représentant le volume total d'eau qui s'écoule
à travers une section droite du cours d'eau pendant l'unité de temps considérée.
Le débit reflète physiquement le comportement du bassin versant, et peut être interprété dans le temps et
dans l'espace. À la station hydrométrique, on ne dispose pas d'une mésure directe et continue des débits,
mais seulement d'un enregistrement des hauteurs d'eau en une section donnée. Le passage de la courbe
des hauteurs d'eau en fonction du temps H=f(t) appelée « limnigramme » à celle des débits Q=f(t) appelée
« hydrogramme » se fait par l'établissement d'une courbe de tarage Q=f(H) à l’aide d’un jaugeage.

Page 4
Chapitre I Synthèse bibliographique

Le débit solide :
Masse des matières solides traversant une section donnée d’un cours d’eau par unité de temps noté Qs. Il
s'exprime en Kg/s.
Bilan hydrologique
Dans tous les cas, c'est l'aspect comptable du terme bilan qui prévaut en hydrologie, que ce soit au niveau
des bilans hydriques ou hydrologiques. Trop souvent confondus, le bilan hydrologique se situe à l'échelle
du bassin versant et concerne une démarche hydrologique, le bilan hydrique se situe à l'échelle de la plante
et participe d'une démarche agronomique.
Le bilan hydrique et le bilan hydrologique visent tous les deux à établir le budget entre les entrées et les
sorties en eau d'une unité hydrologique définie pendant une période de temps donné (Ambroise, 1998).
L'équation du bilan hydrique se fonde sur l'équation de continuité et peut s'exprimer comme suit, pour une
période et un bassin donnés :

Avec:

 P : précipitations (liquide et solide) [mm],

 S : ressources (accumulation) de la période précédente (eaux souterraines, humidité
du sol, neige, glace) [mm],
 R : ruissellement de surface et écoulements souterrains [mm],
 E : évaporation (y compris évapotranspiration) [mm],
 S + ΔS : ressources accumulées à la fin de la période [mm].

L’érosion :
A. Definition :
Nom formé à partir du verbe latin "erodere " qui signifie "ronger, corroder”, ce mot signifie donc "action
d'enlever en rongeant".(Ammari,2012).
En 1994, Roose a définit l’érosion comme un processus qui concerne l’arrachement, le transport et la
sédimentation des particules par l’eau, le vent ou la gravité.
Forme d’érosion :
L’érosion apparaît sous plusieurs formes :
- L’érosion hydrique.
- L’érosion aratoire ou mécanique sèche : C’est le travail du sol qui arrache les particules, les transporte
et les dépose.
- L’érosion thermique : La différence de température peut dégrader le sol et effriter les roches.
- L’érosion chimique : l’attaque chimique est un facteur essentiel d’érosion, comme c’est le cas pour les
roches calcaires.

Page 5
Chapitre I Synthèse bibliographique

- L’érosion causée par les êtres vivants : parmi les êtres vivants qui causent le plus de dégâts c’est bien
l’homme, en dégradant directement le sol ou en favorisant d’autres facteurs. (Wikipédia)

L’érosion hydrique
C’est un phénomène naturel spatio-temporelle, caractérisé par des processus de détachement des particules
du sol par les précipitations et le ruissellement, leur transport par les eaux superficielles qui ruissellent et
leur dépôt le long du trajet suivi par les eaux superficielles sur les versants et dans les cours d’eau (Foster
et Meyer, 1972).

Origine et mécanisme :
L’érosion hydrique est le résultat de trois principaux mécanismes : le détachement des
Particules, leur transport et leur sédimentation. Le détachement est dû à la fois aux gouttes d'eau (par
rejaillissement) et aux eaux de ruissellement dont le transport est assuré par elles.

La pluie et le ruissellement superficiel sont à l'origine de l'arrachage, du transport et du dépôt de la terre

enlevée.

Les facteurs induisant l’érosion hydrique

a) Le couvert végétal
Il est clair que le couvert végétal est efficace pour réduire le ruissellement. En effet, la capacité
d'infiltration de l'eau dans le sol, le ruissellement et le transport solide sont corrélés positivement avec le
taux de recouvrement de la végétation (Giffort et Hawkins, 1978 et 1979).
D’après Ruiz Figueroa (1983), l’amélioration du couvert végétal réduit plus ou moins fortement les risques
d’érosion et de ruissellement.
b) Intensité et agressivité des précipitations
En 1944, Ellison a démontré que les précipitations constituent l’agent causal et le facteur prépondérant de
l’érosion hydrique. C'est souvent le deuxième facteur d’importance après la végétation.

L’énergie et l’eau apportées par les gouttes de pluie sont à l’origine de la déstructuration des agrégats
présents à la surface (Boiffin, 1976 ; Le Bissonnais, 1988). Il est donc lié à l’énergie cinétique des gouttes
Ec.

En 2000, Touaïbia a prouvé une relation directe entre la pluie et son énergie cinétique par l’équation
suivante :

Ec = 11.9 + 8.73log Ip (1,2)

Avec :

Page 6
Chapitre I Synthèse bibliographique

Ec : Energie cinétique en j/m2 /mm

Ip : intensité de pluie en mm/h.

L'impact des gouttes de pluie sur la surface du sol peut briser les agrégats et disperser les particules de sol.
Les particules les plus légères, dont les particules très fines de sable, de limon, d'argile et de matière
organique, sont facilement emportées par les éclaboussures d'eau de pluie et les eaux de ruissellement.

L'érosivité des pluies se définit comme étant la capacité potentielle de la pluie à causer l'érosion (Hudson,
1973).

c) Ruissellement

Le ruissellement est un moteur essentiel de l’érosion, il détache, transporte et exporte des

fragments de sol (Leguédois, 2003).

Le ruissellement commence dès que l’intensité de la pluie devient supérieure à la vitesse d’infiltration du
sol. Le ruissellement ne débute qu’après un cumul pluviométrique journalier de 18 à 20 mm (Laouina,
1998) sur sol sec même si les pluies sont intenses ou après un cumul de 4 mm sur sol humide et compact
(Chebbani, et al. 1997).
Le ruissellement vecteur des sédiments ne devient important qu’avec des pluies intenses. Effet, ce sont les
épisodes pluvieux durables avec des événements de forte intensité répétitifs qui occasionnent la
dégradation la plus forte, avec en particulier le passage du ruissellement en nappe au ruissellement en
griffes et rigoles (Bouanani, 2004).

d) La topographie
Nombreux chercheurs ont mis en évidence l'effet de la topographie sur l'érosion. Les facteurs
topographiques essentiels sont la pente du bassin versant, le relief, la densité de drainage, l'importance des
vallées et des plaines d'inondation, l'orientation et la taille du bassin versant.

e) Facteurs lithologiques
L’érodibilité du sol désigne sa susceptibilité face aux processus d’érosion. Elle dépend des principales
caractéristiques des sols qui permettent de déterminer le degré de sensibilité à l’érosion hydrique sont les
suivantes : la profondeur, la piérrosité, la granulométrie, la teneur en matière organique (Roose et al, 1993)
, la nature minéralogique des argiles (Le Bissonnais et al.,1995) , l’infiltrabilité ( Papy et al., 1995) et la
cohésion (Mériaux ,1961).

Page 7
Chapitre I Synthèse bibliographique

Relation débits liquides–débits solides

La relation entre l’écoulement et le débit solide dépend de plusieurs paramètres. Toutefois, s’il est
difficile d’établir une expression mathématique qui mette en évidence la relation entre ces deux
paramètres.

De nombreux hydrauliciens ont cherché à établir des relations empiriques permettant d’estimer le débit
solide d’un cours d’eau, à partir de nombreuses mesures ou à partir de modèles réduits sur fleuves
(Schoklitsch 1934,Schields 1936, Einstein- Brou1950, Laursen 1958, Blench 1966, Colby 1964, Tofaletti
(1969)….). Ces différentes formules donnent rarement des résultats comparables, car elles ont été établies
dans des conditions différentes, ce qui remet en cause l’universalité des formules de transport solide
(Dégoutte, 2000).

Une autre relation empirique communément appelée courbe du transport solide (Cambell et al, 1940 ;
Crawford, 1991) lie le débit solide au débit liquide :
Qs= a QLb
QL : débit liquide (m3/s)
Qs : débit solide ( kg/s)
a et b : paramétres climatique

Ce modèle empirique a déjà été appliqué en Algérie pour une analyse débit solide-débit liquide au bassin
de l’oued Wahrane (Benkhaled et Remini, 2003).

Relation précipitation-débit liquide –débit solide

De nombreux auteurs ont parlé du rôle actif de la pluie sur l'érosion des sols par l'eau. ROOSE (1980), en
Afrique de l'Ouest a trouvé que l'énergie développée par les pluies est de 256 fois plus importante que
celle du ruissellement.
L’énergie de la pluie a un poids plus conséquent dans l’explication du phénomène d’érosion a été démontré par
Meddi (1992) et Meddi et al (1998) dans les deux bassins versant de l’Oued Mina et dans les Monts de
Beni Chougrane respectivement.

Dans le but de montrer l’importance du facteur de pluie dans l’évaluation de l’érosion, plusieurs
chercheures ont proposé des indices d’agressivité climatique telle que : l'Indice d'érosion
pluviométrique (WALTER H. W,1959), l’indice de FOURNIER F. (1960) et MARTIN C (1990) .

I.3 La modélisation hydrologique

La modélisation numérique est devenue un outil incontournable dans la recherche, plusieurs groupes de
recherche s'intéressent aux méthodes numériques et à la modélisation adaptée ensuite à différents
domaines.

Page 8
Chapitre I Synthèse bibliographique

Dans ce contexte, les efforts de la recherche pour la compréhension du cycle de l’eau, associés aux
développements de l’informatique, se sont concrétisés par l’apparition d’une multitude de modèles en
particulier les modèles pluies-débits.
I.3.1 Définition d’un modèle :
Le terme "modèle" désigne un ensemble de relations mathématiques destiné à trouver une représentation
schématique d'un processus donné. En hydrologie, un modèle de transformation Pluie-Débit tente de
traduire par des expressions mathématiques des relations qui existent entre les différents processus
physiques qui forment le cycle terrestre de l'eau. Une théorie exhaustive et déterministe de tous ces
phénomènes est très complexe à mettre sur pied et l'on s'efforce de trouver des simplifications qui
permettent de faciliter cette tâche tout en restant le plus proche de la réalité. Les représentations ou
modèles diffèrent donc selon l'approche utilisée par chaque auteur (CHKIR. N, 1994).

I.3.2 Propriétés du modèle

La littérature scientifique présente une très grande diversité de modèles dont très peu ont trouvé une
utilisation opérationnelle. Dans ce travail, on s’intéresse aux modèles hydrologiques pluie-débit.
En 1986 Klemeš, a défini les qualités considérées des modèles hydrologiques, qui sont principalement :
 Cohérence rationnelle: c’est la première étape de la modélisation, la rationalité scientifique est
une exigence de toute recherche scientifique.
 Précision du modèle: elle concerne le fonctionnement de ce dernier après ajustement aux
données expérimentales.
 Simplicité: qualité essentielle de tout modèle, la simplicité concerne l’économie de moyens
utilisés, c’est à dire un nombre réduit de variables et de paramètres. Elle concerne de toute
évidence la réduction de toute complexité de la structure interne du modèle.
 Robustesse : c’est la capacité du modèle à garder une certaine précision, même dans les
conditions extrêmes, cette qualité reflète le pouvoir de reproduire les différents cycles
hydrologiques, et de simuler certaines valeurs caractéristiques.
 Falsifiabilité : concerne la possibilité d’introduire des hypothèses dans un modèle, en le
modifiant, et en l’adaptant à de nouvelles exigences, sans altérer sa cohérence hydrologique.
 Accessibilité et fiabilité : l’acquisition des données calculées en temps réel, est parfois une
nécessité pour l’étude d’un phénomène hydrologique. Dans ce cas, l’accessibilité des données
mais aussi leur fiabilité, sont jugées comme critères de comparaison entre divers modèles.
 Pouvoir de prévision : objectif principal du modélisateur. Le pouvoir de prévision est lié à
l’extension du domaine de validité d’un modèle. Le modèle apparaît d’autant mieux justifié, que
son champ d’applicabilité s’avère à posteriori plus large. (Benkasi, 2006).

I.3.3 But de la modélisation

La modélisation pluie-débit peut réussir à répondre à de nombreuses questions centrées sur l’eau, gestion
des risques et de la ressource notamment.

Page 9
Chapitre I Synthèse bibliographique

D’après Wery, 1990, In Elleuch, 1999, une représentation d’un système physique par un modèle
mathématique peut répondre à l’un des objectifs suivants:

 La prévision: Elle nous permet de prédéterminer des débits de crue et l’évaluation des futurs débits
à l’exutoire d’un bassin versant.
 La simulation: La simulation en hydrologie a pour but de comblement de lacunes dans des séries
de données, évaluation des valeurs extrêmes des débits, la restauration de débits antérieurs qui ne
sont pas mesuré
 Le contrôle
Le contrôle, qui consiste à agir sur le signal d’entrée pour obtenir un signal de sortie ayant certaines
caractéristiques, n’a trouvé que peu d’application en hydrologie.
 L’analyse de la non-stationnarité d’un bassin versant
Dans un contexte de variabilité climatique et/ou de modifications anthropiques des caractéristiques d’un
bassin versant, les impacts sur le fonctionnement hydrologique d’un bassin versant peuvent
éventuellement être recherchés en effectuant des tests sur la stationnarité des vecteurs de paramètres et/ou
des sorties du modèle, comparativement aux observations.
 L’utilisation de variables d’état du bassin versant pour la modélisation annexe
Le modèle est utilisé pour générer des chroniques d’état du bassin versant (taux de remplissage d’un des
réservoirs, stock de neige, ...etc.) qui sont ensuite utilisées par d’autres modèles (flux de nutriments ou de
matières en suspension), prévisions d’apport par fonte nivale, ou pour améliorer les performances d’autres
modèles.

I.3.4 Typologie des modèles hydrologiques

Pour comprendre la notion d’un modèle hydrologique, il est indispensable de connaitre l’ensemble
d’éléments qui le constituent. On distingue quatre types de variables qui peuvent exister en totalité ou en
partie dans chaque modèle.
 Variables d’entrée (variables indépendantes) : il s’agit des entrées du modèle, qui sont
essentiellement les chroniques de pluie, d’ETP ou de température ;
 Variables de sortie (variables dépendantes) : il s’agit des sorties du modèle, qui sont généralement
les débits simulés à l’exutoire du bassin versant, mais qui peuvent parfois être aussi l’ETR, des
niveaux piézométriques.
 Variables d’état : il s’agit des variables internes au système, qui évoluent en fonction du temps et
rendent compte de l’état du système à un moment donné. Typiquement, ces variables sont les
niveaux de remplissage des différents réservoirs (neige / production / routage)
 Ses paramètres : les paramètres des modèles hydrologiques, qu’ils aient un pseudo signification
physique ou qu’ils soient calés, servent à adapter la paramétrisation des lois régissant le
fonctionnement du modèle, au bassin versant étudié ;

P a g e 10
Chapitre I Synthèse bibliographique

 Ses performances : il s’agit d’estimer l’amplitude des erreurs de modélisation, calculées

généralement sur la base d’une mesure de l’écart entre les valeurs simulées et les valeurs mesurées.
(Mathevet, 2005)

F IGURE I. 3: Les variables d’un modèle hydrologique (D’APRES GAUME , 2002).

I.3.5 Classification des modèles

Les classifications de modèles que l’on trouve dans la littérature sont nombreuses et peuvent être fonction
de plusieurs caractéristiques (Singh, 1995 ; Berthier, 2008).

1) Selon le degré d'abstraction

 Modèles mathématiques
Ils décrivent le processus hydrologique à l'aide des équations mathématiques qui relient les variables
d'entrée et de sortie.
 Modèle à bases physiques
Le modèle à base physique est basé uniquement sur des équations de la physique, et ne
comportant idéalement aucun paramètre. Il n'existe pas de modèle à base physique au sens strict en
hydrologie. L'importance de l'hétérogénéité spatiale dans la réponse hydrologique des bassins versants
rend cependant difficile, voire impossible l'utilisation de tels modèles. La précision spatiale des données
disponibles, en particulier concernant les types de sols et leurs profondeurs n'est pas suffisante. Dans la
pratique, les profondeurs et les conductivités moyennes des sols représentatifs de sous parties du bassin
versant, doivent être évaluées par calage. (Clarke ,1981)

2) Selon la nature des variables

 Modèle stochastique
La modélisation stochastique peut être envisagée toutes les fois qu’il y a des incertitudes sur les données
ou parfois même sur les processus mis en jeu. On considère que l’approche stochastique est un moyen
rationnel de traiter la caractérisation spatiale de la variabilité, et d’établir un lien entre les incertitudes des

P a g e 11
Chapitre I Synthèse bibliographique

paramètres et celles des prédictions. Toutefois cette approche, bien qu’elle soit le meilleur moyen de
caractériser la variabilité des grandeurs, nécessite la connaissance des lois de probabilité les plus courantes
pour la variabilité considérée ou au moins de leurs premiers moments. (Makhlouf ,1994)

 Modèle déterministe
Un modèle est déterministe lorsque la réponse du système est à caractère déductif dominant, c'est -à- dire
qu'on porte un jugement sur le système physique en essayant de connaître le comportement de ses éléments
constructifs et leurs relations internes. Les équations mathématiques sont établies analytiquement et les
données expérimentales sont utilisées simplement à titre de vérification. On y trouve les modèles
empiriques qui se caractérisent par une approche directe pour obtenir la réponse à une sollicitation, et les
modèles physiques qui s'appuient sur les règles de l'hydrodynamique pour représenter et expliquer le
fonctionnement hydrologique du bassin versant. (Llamas, 1993)

3) Selon la discrétisation spatiale

 Modèle distribué
Dans un modèle distribué, le bassin versant est divisé en plusieurs entités spatiales. Ce découpage de
l'espace peut être sous la forme d'un maillage régulier, ou par sous bassins-versants. Ce modèle permet de
prendre en compte la variabilité spatiale des processus étudiés.
 Modèle global
Les modèles globaux offrent à l’utilisateur un choix très attractif, car il présente une structure très
simplifiée, il ne demande pas trop de données, faciles à utiliser et à calibrer. La représentation du processus
hydrologique est très simplifiée. Il peut souvent mener à des résultats satisfaisants, et spécialement si
l’objectif majeur est la prévision d’une crue. Deux exemples de ce type de modèle, le modèle IHRACRES.
(Identification of unit Hydrographs and Component flows from Rainfall, Evaporation and Streamflow
data) et le modèle GR (genie rural) (Benkasi,2006)

4) Selon la description des sous processus

 Modèle analytique
D'après Gaume (2002), c'est un modèle pour lequel les relations entre les variables de sortie et les variables
d'entrée ont été établies par analyse de séries de données mesurées. Les paramètres de ce modèle sont liés
aux coefficients de corrélation entre les variables.

 Modèle conceptuel
Le modèle conceptuel considère le bassin versant comme un assemblage de réservoirs d'humidité,
interconnectés et qui sont censés représenter plusieurs niveaux de stockages, suivant une dimension
verticale. Ce modèle est basé sur la connaissance des phénomènes physiques qui agissent sur les entrées
pour obtenir les sorties. (Ambroise 1991).

P a g e 12
Chapitre I Synthèse bibliographique

F IGURE I. 4: Schéma de description des modèles hydrologiques (Anctil et al. 2005 )

I.3.6 Les critères d’évaluation des performances des modèles
En effet, les critères de performance mesurent la qualité ou la confiance que l’on peut accorder aux
résultats d’une prévision en vue même, dans un cadre légal, d’une certification (Besse, 2005). Pour évaluer
la qualité prévisionnelle des modèles développés dans cette étude, le coefficient de corrélation, la racine
carrée de l’erreur quadratique moyenne et la moyenne biaisée ont été utilisés.
a) Le coefficient de corrélation
Le coefficient de corrélation lui-même est utilisé pour mesurer la corrélation linéaire entre la
consommation réelle ou mesurée et la consommation calculée. Sa formule est :

(Xi−𝑋̅)−(Yi−𝑌̅)
R=
√∑(Xi−𝑋̅)2 ∗∑(Yi−𝑌̅ )2

P a g e 13
Chapitre I Synthèse bibliographique

Avec
Xi : consommation mesurée
Yi : consommation calculée
𝑋 : moyenne des consommations mesurées
𝑌 : moyenne des consommations calculées

Selon Koffi et al (2006) par convention :

 La relation est parfaite : R = 1
 Très forte : R> 0,8 ;
 Forte : 0.5 <R<0.8
 D’intensité moyenne :0.2<R<0.
 Faible :0 <R <0.2 ;
 Nulle : R = 0.
b) Erreur quadratique moyenne
La racine carrée de l’erreur quadratique moyenne est utilisée comme la mesure de la performance globale
du modèle. Cet indice permet une évaluation combinée de la variance et du biais. Le modèle est bien
optimisé si la valeur de RMSE est proche de zéro, ce qui tend vers une parfaite prévision. Sa formulation
mathématique est donnée par la relation suivante (Koffi, 2007) :

∑ 𝑋𝑖 −𝑋𝑐𝑎𝑙 2
RMSE=√
𝑁
Avec :
𝑋𝑖 , 𝑋𝑐𝑎𝑙 : les consommations observées et calculées
N : le nombre de données.
c) Le critère de Nash-Sutcliffe (1970)
Ce critère, permet d’évaluer la variance expliquée d’un modèle para rapport à la moyenne de toute la série
de données. Il varie entre -∞ et 100 (exprimé en pourcentage).
Une valeur du critère négative indique que le modèle donne des résultats moins bons que l'utilisation de
la moyenne de l'échantillon. Il est donné par la formule suivante (Nash et Sutcliffe, 1970) :

∑(𝑄 −𝑄 )2
Nash = ∑(𝑄𝑐 −𝑄𝑜𝑏𝑠)2
𝑐 𝑚

avec :
Qm : débit moyen observé.

On considère généralement qu'un modèle hydrologique donne des résultats acceptables si la valeur du
critère de Nash est supérieure à 80% (Gaume, 2003)

P a g e 14
Chapitre I Synthèse bibliographique

d) Moyenne biaisée « B » (Dechemi et al)

Ce critère définit la différence entre la moyenne des consommations observées et celle des consommations
calculées (ou prédites). Lorsque la moyenne biaisée « B » tend vers zéro, les résultats du modèle sont sans
biais. Ce paramètre est défini par la relation suivante :
B=│Cmoy_Obs – C moy_Est│
Avec :
C_moy_Obs : la moyenne des consommations observées
C_moy_Est : la moyenne des consommations estimées.

I.4 .Modèle pluie – débit

Classiquement, la modélisation pluie-débit est réalisé par l’approche déterministe en appliquant des
modèles conceptuels baser sur deux processus différents, à savoir la fonction de production (fortement
non-linéaire), et la fonction de transfert chargée de distribuer les débits vers l’exutoire. Le manque de
données liées aux processus physiques du système hydrologique, avec un temps de calcule très longs et le
développement des outils informatique ce sont autant d’éléments qui on pousser les chercheurs a
appliquées une autre approche déterministe qui se base sur les modèles à boite noire.

L’approche déterministe est basée sur le calcul des processus physiques du système hydrologique. Ce
calcul est souvent limité par le manque de données liées aux processus physiques du système hydrologique
d’une part et par le niveau restreint des connaissances scientifiques des systèmes naturels d’autre part. Ces
limites influencent négativement la modélisation hydrologique ainsi que la prévision des crues, en
dégradant la fiabilité des modèles réalisés d’autant plus que les spécialistes du domaine exigent des
résultats précis associés à un temps de calcul minimal. (Kharroubi et al, 2006).

Dans cette optique, les chercheurs se sont investis dans l’intelligence artificielle pour la simplification de
la non-linéarité de la relation pluie-débit. L’application des modèles neurones artificielles dans la
modélisation hydrologique relève de la catégorie des modèles à boite noire (Hsu, 1995).

I.5 Les réseaux de neurones artificiels

Avant d’entamer l’état de l’art des réseaux de neurone dans la relation pluie-débit, il est important de
connaitre comment fonctionne les réseaux de neurones et connaitre les notions de base de cette technique.
La compréhension du fonctionnement et de la structure interne du cerveau participe de façon direct à la
compréhension des réseaux de neurones artificiels.
Principes du neurone Biologique :
Le neurone biologique est une cellule vivante spécialisée dans le traitement des signaux électriques. Les
neurones sont reliés entre eux par des liaisons appelées axones. Ces axones vont eux-mêmes jouer un rôle

P a g e 15
Chapitre I Synthèse bibliographique

important dans le comportement logique de l'ensemble. Ces axones conduisent les signaux électriques de
la sortie d'un neurone vers l'entrée (synapse) d'un autre neurone.
Les neurones font une sommation des signaux reçus en entrée et en fonction du résultat obtenu vont fournir
un courant en sortie (figure I.6).
La structure d'un neurone se compose de trois parties :
o La somma (corps cellulaire) : ou cellule d'activité nerveuse, au centre du neurone.
o L'axone : attaché au somma qui est électriquement actif, ce dernier conduit l'impulsion
conduite par le neurone.
o Dendrites : électriquement passives, elles reçoivent les impulsions d'autres neurones.

Figure I. 5:neurones biologiques

Le neurone formel (artificiel)
Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à
l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est
rapproché des méthodes statistiques (Gerstner 2004, p. 3)
Un neurone formel (artificiel) est une unité de traitement qui reçoit des données en entrée, sous la forme
d’un vecteur, et produit une sortie réelle. Cette sortie est une fonction des entrées et des poids des
connexions. Un neurone est donc une fonction algébrique, non-linéaire paramétrée à valeurs bornées
(Dreyfus et al., 2004).

P a g e 16
Chapitre I Synthèse bibliographique

FIGURE I. 6: Schéma d'un neurone formel

Historique
Les réseaux de neurones artificiels sont construits sur ce paradigme biologique. Ainsi les neurologues
Warren Sturgis McCulloch et Walter Pitts menèrent les premiers travaux sur les réseaux de neurones à la
suite de leur article fondateur «What the frog's eye tells to the frog's brain» (McCulloch et Pitts, 1943)
En 1957, Rosenblatt mis en réseau avec une couche d’entrée et une sortie dans le but de simuler le
fonctionnement rétinien et tacher de reconnaître des formes. C’est l’origine du perceptron. Par la suite en
1960, Widrow et Hoff développèrent un nouveau modèle neuronal, l’Adaline (Adaptative Linear
Neurone) qui a la même structure de réception
/intègre un algorithme destiné à xx l’approximation de fonctions.
Une révolution survient alors dans les années 80 quand on a découvert d'importants résultats théoriques
dans divers domaines citant l’estimation du gradient par rétro-propagation de l’erreur par Hopkins, 1982
puis Grossberg (1987), ont pu résoudre pour la première fois le problème de stabilité des réseaux
dynamiques. En 1986, la création d’une fonction non linéaire d’entrée/sortie pour les réseaux de neurones
par une équipe de chercheurs dirigée par Rumelhart.
En hydrologie, French et al., 1994, Shamseldin, 1996, ont exploité les réseaux de neurones artificiels dans
la modélisation pluie débit à différentes échelles.

Fonctionnement mathématique du neurone artificiel

Le neurone artificiel est un modèle mathématique très simple. Il est caractérise par trois concepts son état,
ses connexions avec d'autres neurones et sa fonction de transfert.
Un neurone artificiel est un élément qui possède un état interne, il reçoit des signaux qui lui permettent
éventuellement de changer d’état ou on peut considérer le 0 comme l'état inactif et 1 état actif.
Les équations (I.1), (I.2) décrivant la fonction mathématique des neurones :

P a g e 17
Chapitre I Synthèse bibliographique

Y=𝑓(S ) ……………………………………………………………… (I.1)

Où :
Y : Sortie du modèle
𝑓: Fonction de transfert
S : somme pondérée
*S = Σ𝑥𝑖𝑤𝑖𝑛𝑖=1 ……………………………………………………… (I.2)
X : Entrées du modèle
W : Poids

FIGURE I. 7: Schéma du fonctionnement d’un neurone formel

Un neurone possède une fonction qui lui permet de changer d'état en fonction des signaux qu'il reçoit c'est
sa fonction de transfert, le tableau (01) présente les fonctions les plus utilisées par les neurones formels.

P a g e 18
Chapitre I Synthèse bibliographique

TABLEAU I. 1: LES DIFFERENTES FONCTIONS D'ACTIVATION POUR LES

NEURONES(SOURCE MOURAD CHIKH,2011)

I.5.1. Classification topologique des réseaux de neurones

Un réseau de neurones est un maillage de plusieurs neurones, généralement organisés en couches. Les
connexions entre les neurones, définies précédemment, qui composent le réseau décrivent la topologie ou
l’architecture du modèle. Elle peut être quelconque, mais le plus souvent, dans la littérature, il est possible
de distinguer une certaine régularité, (Touzet, 1992).
Selon le chemin suivi par l’information dans le réseau, on peut classer les réseaux de neurones en deux
grandes catégories : les réseaux «feed-forward» et les réseaux «feed- back».
A. les réseaux à couches (ou réseaux non récurrents) feed forward:
Appelés aussi «réseaux de type Perceptron», sont des réseaux de neurones dans lesquels l'information se
propage couche par couche sans retour en arrière possible.

P a g e 19
Chapitre I Synthèse bibliographique

Figure I. 8: SCHÉMA DU RÉSEAU NEURONE FEED- forward:

( SITE : HTTPS ://WWW. EDITIONSENI. FR /OPEN/MEDIABOOK . ASPX ?ID R=3A 9 B90DB96 F 1 BD 5A 50142913 B586 BA 68)

a) Le perceptron monocouche
Le perceptron de Rosenblatt (1957) est le premier RNA opérationnel. C’est un réseau à propagation avant
avec seulement deux couches (entrée et sortie) entièrement interconnectées.
Il est composé de neurones à seuil. L’apprentissage est supervisé et les poids sont modifiés selon la règle
delta.
Traits significatifs Classification

j=1

Rétine
Entrée Sortie
…
i
Wij
ai {-1,+1 }
j=n
aj {1,0 }

FIGURE I. 9: L E PERCEPTRON MONOCOUCHE

b) Le perceptron multicouches (PMC)
La seconde classe des réseaux de neurones feedforward, se distingue par la présence d’une ou plusieurs
couches cachées, dont ses neurones de calcul sont appelés des neurones cachés ou unité cachée.
Typiquement, les neurones dans chaque couche du réseau ont comme entrée que les signaux de sortie de
la couche précédente. L’ensemble des signaux de sorties des neurones dans la couche de final du réseau
constitue la réponse globale de ce dernier par rapport aux neurones sources de la couche d’entrée.
(Boulmaiz,2016 ).

P a g e 20
Chapitre I Synthèse bibliographique

1 Calcul activations 2 Calcul activations

unités cachées unités de sortie

Unités
a Unités a
d'entrée i Unités a de sortie k
cachées j
Calcul Erreur 3
entre
sorties désirées
et
sorties obtenues

Calcul de l'erreur 5 Calcul de l'erreur 4

sur les unités cachées sur les unités de sortie

6 Ajustement des poids

Apprentissage Apprentissage
des unités cachées des unités de sortie

FIGURE I. 10: Le perceptron multicouches(boulmaiz,2016)

c) Les réseaux à fonction radiale (RBF)
Est à la même structure que le Perceptron multicouches, mais la fonction d'activation est une fonction de
type Gaussienne. Ce réseau, à cause de son architecture, utilise le plus souvent la règle d'apprentissage de
correction d'erreur et la règle par apprentissage compétitif. Il peut avoir un apprentissage qui combine en
même temps l'apprentissage supervisé et l'apprentissage non supervisé. Ce réseau obtient des
performances comparables ou supérieures à ceux du Perceptron multicouches.
De plus leur apprentissage plus rapide et plus simple en fait des outils de choix pour plusieurs types
d'applications, dont la classification et l'approximation des fonctions. (Morad CHIKI, 2011).

A. Les réseaux récurrents ou bien les réseaux feed back :

Sont des réseaux de neurones dans lesquels il y a une liaison vers l'arrière. Les connexions de ces réseaux
forment des boucles. Ainsi la fonction d'activation peut circuler le long de ces boucles et affecter le réseau
pendant une période arbitrairement longue.

FIGURE I. 11: Schéma des réseaux feed back

P a g e 21
Chapitre I Synthèse bibliographique

Apprentissage des réseaux de neurones

« L'apprentissage est une phase du développement d'un réseau de neurones durant laquelle le
comportement du réseau est modifié jusqu'à l'obtention du comportement désiré. L'apprentissage neuronal
fait appel à des exemples de comportement ».
L’apprentissage consiste à adapter la connaissance du neurone au problème posé. Nous pouvons le
considérer comme une modification dans les paramètres du modèle. (Yeddou, 1998).
Dans le cas des réseaux de neurones artificiels, on ajoute souvent à la description du modèle l'algorithme
d'apprentissage. Il existe divers algorithmes d’apprentissage pour ajuster les poids d’un réseau neuronal,
et éventuellement sa topologie. On peut classer les processus d’apprentissage en :

 Apprentissage supervisé : dans ce cas on fournit au réseau la donnée à traiter, mais aussi la
réponse attendue. Le réseau effectue une évaluation de la donnée, puis compare la valeur obtenue
avec la valeur désirée. La procédure s’effectue progressivement, jusqu’à ce que l’erreur entre les
sorties du réseau et les résultats désirés (données observées) soit minimisée.

Superviseur sortie
désirée
erreur

réseau sortie
obtenue
FIGURE I. 12: APPRENTISSAGE SUPERVISE

 Un apprentissage non supervisé :

Consiste à ajuster les poids à partir d’un seul ensemble d’apprentissage formé uniquement de données,
aucun résultat désiré n’est fourni au réseau. L’objectif de cet apprentissage est de partager l’espace
d’entrées en plusieurs entrées (classes) représentant des régions de décisions différentes.

P a g e 22
Chapitre I Synthèse bibliographique

Réseau sortie
obtenue
FIGURE I. 13:UN APPRENTISSAGE NON SUPERVISE

 Un apprentissage par renforcement

Représente une technique nouvelle, dans ce cas on fournit des exemples au réseau et des indications sur
le résultat par un superviseur qui est régi par un de degrés de performance (vrai ou faux).

Synthèse bibliographique pour le modèle des réseaux neurones :

Vue la capacité récursive d’apprendre des données et son aptitude à résoudre des problématiques très
complexes et des processus non linéaires. Les neurones artificiels sont visés par les hydrologues d’une
part, pour la transformation des précipitations en débit liquide à différents pas de temps (mensuel et
journalier) en présence et absence des paramètres hydro-climatiques. D’autre part, pour prévoir une
relation entre les précipitations, le débit liquide et le débit solide.

Afin de donner un aperçu sur les travaux effectués dans le passé, on présente une brève recherche
bibliographique :
Widrow et Off (1960) proposaient un nouvel algorithme d'apprentissage pour entraîner un réseau
adaptatif de neurones linéaires, avec des capacités similaires au perceptron. Mais l'enthousiasme suscité
par ces théories se trouve fortement contrarié par un livre publié par Minsky et Papert (1969).

Hsu et al., (1995) ont présenté une étude très approfondit dans le développement et l’application des RNA
sur la relation pluie-débit. Ces chercheurs ont développé un nouvel algorithme de RNA appelé « Linear
least squares simplex » pour identifier la structure et paramètres du réseau de neurone « feedforward » à
trois couches. Ils indiquent qu’un réseau de neurones appliqué sur un bassin américain, obtient de
meilleurs résultats qu’un modèle ARMAX et que le modèle conceptuel complexe de Sacramento.

S. LEK et all (1996) ont présenté une méthode de modélisation de la relation pluie et débit basée sur
l'utilisation de réseaux neuronaux. En utilisant l'algorithme de la rétro propagation des erreurs avec un
réseau à 3 couches de neurones. La fonction de transfert appliquée est de type sigmoïde. Pour prédire le
débit à un moment donné, on présente l'entrée du réseau des valeurs de pluies et de débits observés à des

P a g e 23
Chapitre I Synthèse bibliographique

instants précédents. L'application du réseau permet d'obtenir de bonnes prévisions d'un ou plusieurs pas
de temps, aussi bien journalières qu'hebdomadaires.

Tokar et Johnson (1999) ont enquêté sur la sensibilité de la précision du RNA dans la prévision du débit
journalier par rapport aux contenue et longueur des données d’apprentissage et les ont comparés au
modèles de régression statistiques et conceptuel. Ils ont prouvé que le RNA réduit la longueur des données
et raccourcit le temps passé dans la calibration des modèles tout en améliorant la précision de prévision et
la flexibilité par rapport aux modèles comparés.

Coulibaly et al. (2000) dans un contexte de prévision des débits sur un bassin canadien : le réseau de
neurones donne sur des prévisions d’un à sept jours des résultats plus satisfaisants qu’un modèle
conceptuel et un modèle ARMAX.

Dechemi et al. (2003) qui ont utilisé l’algorithme Levenberg-Marquardt pour l’apprentissage du RNA
dans le but de modéliser la relation pluie-débit avec un pas de temps mensuelle (bassin versant du barrage
Chaffia).

Kumar et al., (2004) ont comparé les performances des réseaux de neurones de types MLP (perceptron
multicouche) et RBF (Radial basis fonction) en les appliquant sur la modélisation pluie-débit d’un bassin
en Inde. Les résultats ont montré que le réseau PMC donne une meilleure généralisation que le réseau
RBF, mais que le premier nécessite une procédure de « essai-erreur » pour fixer le nombre de neurone
dans la couche cachée, ce qui peut prendre du temps, alors que la structure du réseau RBF prend moins de
temps avec un algorithme d’apprentissage approprié

Benkaci (2006), ont comparé les résultats des trois approches conceptuelles, les réseaux de neurones
artificiels et d’une logique appelée floue pour la modélisation pluie-débit testés sur les bassins versants du
Nord algérien, à deux échelles mensuelle et journalière.

Lin et Chen (2008) ont proposé une approche systématique pour la détermination des entrées du réseau
de neurone, cette approche qui consiste à supprimer les entrées impertinentes et construire un réseau
qu’avec des entrées adéquates s’est montré efficace en réduisant le temps d’apprentissage et en
augmentant les performances du modèle.

Chahrazed Salhi et all (2013) ont démontré la capacité du modèle neuronal prévoir l’érosion spécifique,
cas du bassin versant cas du bassin hydrographique Algérois-Hodna-Soummam (Algérie). Les résultats
obtenus sont comparés avec celles du modèle de la par la régression multiple. La validité du modèle
neuronal est composée par lame écoulée, densité de drainage, pente moyenne du bassin et précipitation
moyenne annuelle comme variables d’entrées avec un coefficient de détermination de 0,81 et une erreur
quadratique moyenne de 0,19.

P a g e 24
Chapitre I Synthèse bibliographique

Yao Blaise KOFFI et al (2014) ont présenté une étude dans le but de vérifier l’efficacité des trois modèles
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. Malgré les bonnes performances des modèles Perceptrons
Multicouches en prévision, les débits extrêmes étaient mal modélisés. Il est aussi apparu dans cette étude
que pour la prévision, les modèles neuronaux développés sont des modèles très simples.

Aichouri et al. (2015) ont démontré les performances que peuvent atteindre les RNA, en les comparants
aux modèles à base de régression linéaire multiple. On remarque comme même qu’il y a un intérêt qui se
développe ces dernières années sur l’utilisation des RNA dans la modélisation hydrologique en Algérie.
Boulmaiz Tayeb, (2016) ont présente une approches de modélisation de la relation pluie-débit sur le
bassin versant Seybous par les trois modèles conceptuelle, les réseaux de neurones artificiel et une
combinaison des modèles conceptuel et neuronal. Les résultats obtenus ont démontré que cette dernière
approche est la plus robuste par rapport aux autres approches testées et c’est celle qui est préconisé, que
ce soit en termes de la prévision des crues ou bien de la gestion de ressources en eau.

I.6 .Le modèle neurone-floue

I.6.1. Introduction et généralité à la logique floue :

I.6.2. Généralités et aspects théoriques
L’étude d’un phénomène physique complexe nécessite une précision considérable, car les erreurs
d’imprécision de ce phénomène pourraient avoir des conséquences néfastes.
A cet égard, les recherches se sont approfondies vers de nouvelles approches non déterministes, appelles
neuro-floue « « neuro-fuzzy, » » combinaison entre réseaux de neurones et logique floue.

La logique floue « « fuzzy logic ou fuzzy sets theory – FS » » a été reportée pour la première fois dans
le fameux article de Zadeh (1965). Cette logique floue permet une représentation du processus étudié par
un langage naturel sous la forme des règles en introduisant des nuances ‘ faible’ ‘élevé’ ‘très élevé’, et
modélise en partie l’approche humaine, ce qui permet d’introduire une interopérabilité au système
modélisé.

La logique floue permet d’évaluer l’imprécision, en décomposant le processus modélisé en plusieurs

processus plus simples (sous-ensembles flous) par des règles floues.

P a g e 25
Chapitre I Synthèse bibliographique

i. Généralités sur les sous-ensembles flous

En effet, le mode de raisonnement en logique floue est plus intuitif que la logique classique. Il permet aux
concepteurs de mieux appréhender les phénomènes naturels, imprécis et difficilement modélisables en
s’appuyant sur la définition de règles et de fonctions d’appartenance à des ensembles dits « ensembles
flous ». Ce qui est affirmé par Zadeh dans la préface de (KAUFM) « La Théorie des Sous-Ensembles
Flous est, en fait, un pas vers un rapprochement entre la précision des mathématiques classiques et la
subtile imprécision du monde réel ,un rapprochement né de l'incessante quête humaine pour une meilleure
compréhension des cheminements mentaux et de la connaissance ».
ii. Définition d’un ensemble floue :
Un ensemble flou F est défini sur un référentiel U par une fonction d'appartenance, notée µ F (U), qui,
appliquée à un élément µ ∈ U, retourne un degré d'appartenance µF (U), de U à F (0< µF (U)<1)
Les fonctions d’appartenance peuvent théoriquement prendre n’importe quelle forme, La figure présente
la forme générale d’une fonction d'appartenance définie sur un univers de discours U, elles sont souvent
définies par des segments de droites, et dites « linéaires par morceaux »

F IGURE I. 14: Fonctions d’appartenance linéaires par morceaux

 Le support est l’ensemble des éléments qui appartiennent à l’univers E tels que la fonction
d’appartenance soit non nulle sur cet intervalle.
Support (F) = x ∈ U / µF (U)≠0
 Le noyau est l’ensemble des éléments qui appartiennent à l’univers U tels que la fonction
d’appartenance soit égale à 1 sur cet intervalle.
Noyau ( F ) = x ∈ U / µF (U) =1
 Une α-coupe correspond à l’intervalle :
Nα(F)={x ∈ R/ µF (U) ≥ α}

P a g e 26
Chapitre I Synthèse bibliographique

F IGURE I. 15: Exemple d’un support et d’un noyau .

iii. Opérateurs logiques flous
Ces opérateurs permettent des calculs sur des degrés d’appartenance. On peut définir des opérateurs ET,
OU, négation.
 Intersection
L’opérateur logique correspondant à l’intersection d’ensembles est le ET. Le degré de vérité de la
proposition « A ET B » est le minimum des degrés d’appartenance de A et de B :
μ (A ET B) = MIN(μ(A), μ(B))
 Union
L’opérateur logique correspondant à l’union d’ensembles est le OU. Le degré de vérité de la proposition
« A OU B » est le maximum des degrés de vérité de A et de B :
μ (A OU B) = MAX(μ(A), μ(B))

 Complément
L’opérateur logique correspondant au complément d’un ensemble est la négation :
μ (NON A) = 1 - μ(A)

iv. Raisonnement et logique floue

Le raisonnement flou nécessite la définition des notions de variable linguistique, proposition floue et
implication floue.

 Une variable linguistique

L'expression « variable linguistique » consiste que les valeurs de cette variable ne soient pas numériques
mais symboliques (sous-ensemble flous) comme les mots du langage courant définissant certaines
catégories d'un ensemble de référence.

On appelle Variable linguistique un triplet (V, X, Tv) tel que :

P a g e 27
Chapitre I Synthèse bibliographique

 X est un ensemble de référence

 V est une variable symbolique définit sur X.
 T V = {A1, A 2..., A n ...} ensemble fini ou dénombrable de sous-ensembles flous

 Proposition floue

Proposition floue élémentaire :

Qualification « V est A » d'une variable linguistique (V, XV, TV), par exemple : « Age-personne est
jeune »

Proposition floue générale :

Composition de propositions floues élémentaires de variables linguistiques qui peuvent être distinctes
Soit « V est A » p.f.e. de (V, XV, TV), et « W est B » p.f.e. de (W, XW, TW),
Exemples de proposition floue générale :« V est A et W est B »« V est A ou W est B »

 Implication floue
Il reste à définir une règle d’activation afin d’obtenir une réponse unique. Cette étape s’appelle
l’implication
 « V est A  W est B » est lue « si V est A alors W est B »
 « V est A » est la prémisse « W est B » est la conclusion
Par exemple : « si Age-personne est Jeune alors Salaire est Bas »

v. Règles floues
Une base de règles floues est composée de règles qui sont généralement utilisées en parallèle, mais
peuvent également être enchaînées dans certaines applications. La figure récapitule les trois étapes
fonctionnelles d’une règle floue

F IGURE I. 16: Les étapes fonctionnelles d'une règle floue

P a g e 28
Chapitre I Synthèse bibliographique

 Fuzzification
L’opération de fuzzification permet de passer du domaine réel au domaine du flou. Elle consiste à
déterminer le degré d’appartenance d’une valeur (mesurée par exemple) à un ensemble flou
 L’inférence floue
L’inférence floue est constituée de règles floues du type Si, alors, pour chaque règle, elle permet de
calculer à partir des degrés d’appartenance, le degré de vérité de x, et en déduit la conclusion de la règle
pour le vecteur d’entrée présenté, et agrège ensuite les conclusions de toutes les règles activées pour ce
vecteur.
 La défuzzification
Le passage d’un résultat linguistique à un résultat chiffré, il existe deux types de défuzzification :
 Numérique
 Symbolique.

I.6.3. Modélisation par les systèmes flous

La méthodologie générale de la logique floue consiste à estimer l'imprécision d'une moyenne de résultats
d'une simulation (FREISSINET, 1998). La modélisation des systèmes flous passe par trois étapes :

 L'identification de leur structure externe : permet de déterminer les valeurs d'entrées et de sortie
nécessaires et/ou suffisantes à la modélisation.

 L'identification de leur structure interne : basée sur des règles floues, cette étape permet
l'identification des paramètres des sous-ensembles flous, par une méthode d'optimisation.

 L'approximation linguistique : utilise des variables linguistiques, cette opération consiste à

associer à tout sous-ensemble flou une étiquette linguistique. (BENKACI, 2004).

I.6.4. Le modèle neuro-floue

Les derniers anneés sont connus un accroisement pour la modelisation de la relation non-linéaire entre les
precipitations et les debits qui tentent de combiner les réseaux de neurones et la logique floue, ce qui
permet de tirer les avantages des deux techniques.

 Définition
Un système neuro-flou hybride est un réseau de neurone flous, une fonction de transfert floue et un module
d’adaptation de la structure apprentissage d’un ensemble de données.

I.6.5. Systèmes Neuro-Floues hybrides intégrés

Nous pouvons classer les systèmes neuro-floues en trois catégories :

P a g e 29
Chapitre I Synthèse bibliographique

a) Les modèles de Mamdani

Basés sur l’approche de Zadeh, Le système neuro-flou de type Mamdani utilise la technique
d’apprentissage par rétropropagation pour apprendre les paramètres des fonctions d’appartenance. Il
contient cinq couches.
 Les avantages de la méthode Mamdani :
- Elle est intuitive.
- Elle est largement utilisée.
- Elle simule le raisonnement humain. (BENKACI, 2004).

b) Les modèles de Takagi-Sugeno :

Les systèmes neuro-flous type Takagi-Sugeno utilisent une combinaison de l’algorithme de
rétropropagation pour apprendre les fonctions d’appartenance et la méthode d’estimation par moindres
carrés pour déterminer les coefficients des combinaisons linéaires dans les conclusions de règles.

Les avantages de la méthode Takagi-Sugeno:

- Très efficace du point de vue calcul.
- Elle fonctionne bien avec les techniques linéaires, l’optimisation et les techniques dites adaptatives.
- Enfin, elle privilégie l’analyse mathématique (BENKACI, 2004)..

c) Le système Adaptative Network Fuzzy Inférence System (ANFIS)

I.6.6. Principe de fonctionnement et Architecture ANFIS

Un système d’inférence adaptatif neuro-floue (ANFIS) est un système d’inférence floue mis en œuvre
dans le cadre des réseaux adaptatifs. Ces derniers sont des modèles entrés-sortie non linéaire utilisant un
ensemble de règle qui implique des ensembles de variable d’entrés, présentés par des ensemble de logique
avec des fonctions d’appartenance (MFs) et des ensembles logiques de conséquence. La première
introduite de ce système était par Jang (1993), qui consiste à utiliser un réseau neurone de type perceptrons
multicouches (PMC).
Il s’agit un réseau des systèmes flous de type Sugeno dotée par les capacités d’apprentissage des neurones.
Pour plus de simplicité, nous supposons que le système possède deux entrées x et y, et une sortie Z, chaque
entrée est représentée par deux ensembles flous.

Règle1 : Si x est A1 et y est B1 Alors Z1 = a1 × x+ b1 × y + c1

Règle2 : Si x est A2 et y est B2 Alors Z2 = a2 × x + b2 × y + c2

Où Ai et Bi sont des ensembles flous, ai, bi et ci sont les paramètres de conséquente qui sont déterminées.

P a g e 30
Chapitre I Synthèse bibliographique

L’architecture ANFIS équivalente à cinq couches comme la montre figure I.17

F IGURE I. 17:A RCHITECTURE DU MODELE ANFIS.

Noter que les neurones dans ANFIS ont différentes structures :

 Valeurs [fonction d'appartenance définie par différentes formes].
 Règles [habituellement produit].
 Normalisation [division de somme et d’arithmétique].
 Fonctions [régressions linéaires et multiplication avec w, tel que w est la normalisation du poids
w].
 La sortie [Somme Algébrique].

I.6.7. Algorithme d’apprentissage de l’ANFIS

L’ajustement des paramètres de l’ANFIS est réalisé lors de la phase d’apprentissage. Pour cela, un
ensemble de données associant séquences d’entrées et de sorties est nécessaire.
Pour la réalisation de cette phase, l’algorithme d’apprentissage hybride est utilisé. Le système ANFIS
applique le mécanisme d’apprentissage des réseaux neurone sur des techniques d’inférence floues. D’un
autre terme, L’ANFIS est un système d'inférence floue (SIF) dont les paramètres des fonctions
d'appartenances sont ajustés en utilisant L’algorithme d’apprentissage rétropropagation, ou en
combinaison avec un autre type d’algorithmes comme le moindre carré.

P a g e 31
Chapitre I Synthèse bibliographique

F IGURE I. 18: Méthode d’apprentissage Hybride

 Les avantages de l’ANFIS

Les avantages de cette technique stratégie sont :

 Exploitation de la connaissance disponible, grâce à la base de règles.
 Réduction de la taille de la base de règles: il suffit d’avoir des règles générales, les détails seront
fournis par le RN.
 Réduction de la complexité de l’apprentissage: le RN doit simplement apprendre les cas
particuliers ou les exceptions, pas le problème complet.
 Efficacité immédiate dès le début de l’apprentissage et possibilité d’éviter des comportements
initiaux erratiques

I.6.8. L’ANFIS et la relation pluie-débit :

Au cours de cette dernière décennie, l’application des systèmes hybrides « neuro-floue dans la
modélisation hydrologique ayant des résultats encourageants. A ce titre, les applications de la dynamique
non linéaire aux systèmes et aux processus hydrologiques ont reçu une attention considérable et tout à fait
particulière par les chercheurs.
Afin de donner un aperçu sur les travaux effectués dans le passé, on présente une brève recherche
bibliographique :
DK Gautam,KP Holz (2001) : Cette étude explore l'applicabilité et l'efficacité des modèles adaptatifs
pluie-débit fondés sur le système neuro-fuzzy pour la prévision et la simulation, même s’ils ont remarqué
une surestimation du volume total.
Benkaci et Dechemi (2003), qui ont comparé quatre modèles pluie-débit dans la région de Nord Est
Algérien, les résultats montre que le système neuro-flou est celui qui a permis une meilleure reproduction
des débits max par rapport aux deux modèles conceptuel (GR3j et CREC) et le modèle ARMAX.

P a g e 32
Chapitre I Synthèse bibliographique

Nayak et al (2004) : dans leur étude, ont comparé les performances des réseaux de neurones et le modelé
neurone-floue « ANFIS » en les appliquant sur la modélisation pluie-débit d’un bassin en Baitarani. Les
résultats l'étude sont très encourageants et suggèrent qu’une approche neuro-floue adaptative est viable
pour la modélisation des séries d'écoulement fluvial.
Lekfir. A et al (2005) ont démontré la capacité du modèle neurone-flou à modéliser la relation débit-MES
au pas de temps horaire pour le cas du barrage de Beni Amrane (Algérie). Les résultats obtenus sont
comparés avec celles du modèle empirique. Néanmoins, nous pouvons noter que le modèle flou utilise
une architecture d’apprentissage complexe (apprentissage neuronal), contrairement au modèle empirique
relativement simple en utilisant deux paramètres seulement.

Aqil et al (2007) ont démontré que le système d'inférence neuro‐fuzzy (ANFIS) adaptative a de grande
capacité de généralisation et d’adaptabilité pour une modélisation complexe de la relation pluie-débit.
Firat et Gungor (2008) présente une approche de système d'inférence neuro‐ fuzzy (ANFIS) adaptative
est utilisée pour construire un système de prévision en série chronologique sur un bassin versant en turque.
Les résultats indiquent que l’ANFIS peut être appliqué avec succès et offre une précision et une fiabilité
élevées pour la modélisation en série chronologique.
Markus kasper et all (2010) ,Dans cette étude, un système à base de règle floue utilisant l’approche
Takagi-Sugeno-Kang a été développée, en considérant l’humidité du sol et la pluie comme variables
d’entrée pour prévoir le débit actuel à l’exutoire du bassin versant Allemagne.

Jianxun He et al., (2014) ont comparé trois modèles pluie-débit (RNA, ANFIS et Support Vector
Machine (SVM)) dans une région montagneuse et dont le climat et de type semi-aride (nord-ouest de la
Chine). Les résultats obtenus sont satisfaisants pour les trois modèles malgré la complication de la
topographie du bassin versant étudié.

Zaki Abda et al (2015), montre une application des Réseaux de Neurones et les Systèmes d’inférence
Neuro-Floue pour la prévision des débits extrêmes. Les résultats obtenus dans les bassins côtiers algérois
sont très encourageants et meilleurs que ceux obtenus par les modèles statistiques traditionnels.
Kumar Tripathi (2019) présente une étude très approfondit dans le développement et l’application de
« ANFIS » sur la relation pluie-débit. Ces chercheurs indiquent que cette technique appliquée sur un
bassin Indien, obtient de meilleurs résultats avec la fonction trapézoïdale.

P a g e 33
Chapitre I Synthèse bibliographique

I.7 Conclusion

La non linéarité de la relation pluie-débit est lie à un certain nombre de facteurs complexes qui
interviennent simultanément à différentes échelles spatiales et temporelles. Cette complexité a fait l'objet
d’un certain nombre de recherches scientifiques. Plusieurs modelés ont était développées dans ce sens.
Dans notre cas d'étude, on s’intéresse aux deux modèles (modèle neurone et neuro-floue).

Nous avons présenté dans ce chapitre une revue bibliographique sur la modélisation pluie-débit. L’analyse
de ces travaux affirme l’intérêt pratique et la complexité de ce phénomène ainsi que justifier les
orientations de nos travaux dans la modélisation numérique de ce dernier.

P a g e 34
 Chapitre II :
Présentation de la zone
d’étude et étude du
bassin versant
Chapitre II Présentation du site et étude de bassin versant

II.1. Introduction

Avant tout projet, l’étude du site est nécessaire pour connaître la caractéristique physique du lieu et les
facteurs influençables sur le problématique étudié. Dans cette partie nous présentons la zone de notre étude
des points de vue géographique, topographique et climatique.

II.2. Présentation de la zone d’étude :

II.2.1. Situation géographique de bassin versant de Sébaou
L’oued Sébaou, prend sa source dans la chaine des montagnes du Djurdjura et se diverse en méditerranée
après un parcours de 97 km. Il draine un bassin versant d’une superficie de2500 km2, il est situé au Nord
de l’Algérie dans la wilaya de Tizi-Ouzou et ses affluents est limitée entre les latitudes 36°27’ et 36°55’
Nord et longitudes 3°55’ et 4°53’ Est. Dans le cadre du découpage hydrologique de l’A.N.R.H, il est
intégré dans la partie Est des bassins côtiers algérois dont le code adopté porte le numéro 02 (figure II.1).

Les limites du bassin du Sébaou sont :

 Au Nord, la mer Méditerranée ;
 Au Sud, le flanc nord de la chaîne calcaire du Djurdjura ;
 A l’Est, le massif forestier de l’Akfadou ;
 A l’Ouest, le massif cristallophyllien de Sidi Ali Bounab.

Figure II. 1: Situation géographique du bassin versant du Sébaou(ZEROUALI et al, 2015,)

P a g e 35
Chapitre II Présentation du site et étude de bassin versant

II.2.2. Présentation de l’oued Sébaou :

L’oued Sébaou avec une longueur de 97 km et une direction E-W ; depuis sa source (Djurdjura oriental)
jusqu’à la mer méditerranée, change trois fois de direction :
 La haute vallée (haut Sébaou) : s’étend depuis la source (Assif N’Boubhir) jusqu’à la cluse du
Belloua où l’oued Sébaou a une direction : NNW – SSE.
 La moyenne vallée (moyen Sébaou) : forme un premier coude avec la haute vallée, l’oued Sébaou
prend une direction : NE – SW.
 La basse vallée (bas Sébaou) : forme un deuxième coude au niveau de Tadmaït et marque le
changement de direction de l’oued Sébaou qui devient NNW – SSE.
II.2.3. Etude géologique

Le bassin versant est constitué par des formations d’âge paléozoïque à quaternaire affectées d’une
tectonique souple et cassante. L’orogénèse alpine est la plus caractéristique de la région. Du point de vue
intérêt hydrogéologique, seules les formations alluvionnaires du quaternaire et les formations jurassiques
et crétacées du Djurdjura (chaine calcaire) jouent un rôle de réservoir, quand au Miocène marneux son
rôle substratum imperméable pour la nappe du quaternaire n’est pas négligeable (M. Djemai,1985) .
La vallée de l’oued Sébaou est une dépression comblée d’alluvions formant un complexe de terrasses.
Dans le haut Sébaou les terrasses sont étagées cette structure a une incidence sur l’alimentation de la nappe
alluviale du fait qu’elles sont susceptibles de renfermer des nappes à entités hydrauliques bien
individualisées. Par ailleurs, le système des terrasses est emboité dans le bas Sébaou ; d’où l’existence de
relation hydraulique entre elles favorisant ainsi une alimentation latérale. Les bordures et le lit mineur de
la vallée de l’oued Sébaou sont formés par des marnes imperméables ou argile de l’Oligocène au Pliocène
(ANRH).

P a g e 36
Chapitre II Présentation du site et étude de bassin versant

Figure II. 2: Carte géologique Tizi-Ouzou d’Algérie (Source : ANRH Alger)

P a g e 37
Chapitre II Présentation du site et étude de bassin versant

II.2.4. Sismologie

En effet , la zone d’étude est réputée pour son activité sismique moyenne à importante, ceci est dû au
phénomène de réajustement par des failles qui se produit dans les zones profondes, c’est une zone
d’affaissement permanent, depuis le miocènes et même actuellement, elle est comprise entre deux blocs
positifs ascendants qui sont l’Atlas au sud et le Sahel au nord, ils sont l’origine du tremblement de terre,
par leurs manifestations du contact entre la plaine et la montagne sur une grande partie du nord algérien.

II.3. Lithologie
En tenant compte des formations perméables de la chaine calcaire de la plaine alluviale de l’oued
Sébaou, les autres formations telles que celles du socle Kabyle, de Miocène post nappe et des flysch qui
occupent la majeure partie du bassin versant, sont généralement ‘‘imperméable’’.
II.4. Le couvert végétal

Le couvert végétal joue un rôle extrêmement important, dans la protection des sols contre l’érosion par
son action atténuante des crues et des averses particulières, en réduisant et en freinant le ruissellement
superficiel.

La végétation de la région d’étude est de type méditerranéen, caractérisée dans son ensemble par trois
étages bioclimatiques bien distincts :

Les cultures : elles sont concentrées dans les plains et représentées par l’arboriculture et les superbes
champs des cultures maraîchères, aux quelles s’ajoutent laurier rose et le roseau dominant les zones
incultes et inondables.

Les maquis : caractérisant en particulier les zones intermédiaires, constitués essentiellement de très denses
champs d’oliviers et de petites parcelles de figuiers (îlot de Aissa Mimoun) et par quelque peuplement de
chêne liège (la chaîne littorale) et de chêne vert, complétés par une végétation arbustive assez basse qui
reflète l’état de dégradation de la végétation dans la région.
Les forêts : occupant les zones montagneuses et représentées généralement par le chêne vert, le chêne
liège et le pin d’alépe.

Malgré sa diversification, le couvert végétal de notre région d’étude demeure très dégradé et n’occupe que
19% (soit 55.025 ha) de la surface totale. Cette dégradation due indubitablement à l’activité humaine
(défrichements, coupes, incendies…) expose la région à une forte érosion et une déperdition accélérée des
sols fertiles surtout en haute montagne.

P a g e 38
Chapitre II Présentation du site et étude de bassin versant

II.5. Réseau hydrographique :

Le drainage très dense s’effectue par une multitude de torrents plus ou moins long. Les torrents de rive
droite proviennent de la chaîne littorale au nord du bassin versant et ne dépassent pas une quinzaine de
kilomètres de long. L’oued Dis qui présente le plus fort débit prend sa source au Dj .Tamgout à 1278m
d’altitude et débouche dans l’oued Sébaou juste après le premier coude majeur de l’oued à hauteur du
village de Freha.
Les torrents de la rive gauche naissant dans le socle de la grande Kabylie :

 L’oued Sébaou lui-même et ses deux principaux affluent sud. Prennent naissance dans la chaîne
du Djurdjura.

 Les quatre torrents confluent après cinq kilomètres de parcours pour former le haut Sébaou, que
les kabyles nomment Actif n’Boubhir.
 Dans la haute vallée, l’oued suit une direction SSE-NNW, jusqu'à un premier coude majeur,
localisé entre Azzazga et Freha.
 Dans la moyenne vallée, l’oued coule suivant une direction Est-Ouest dans le synclinal Miocène
de Tizi-Ouzou.
 Dans la basse vallée, on assiste à une nouvelle orientation du tracé. Vers Tadmait l’oued effectue
un nouveau coude majeur et se met à couler suivant une direction parallèle à celle de sa direction
amont, pour déboucher en mer, à l’Ouest de Dellys.
 Dans cette section la terrasse la plus base extrêmement étendue ennoie toute la plaine alluviale,
l’oued n’est plus adapté à la structure géologique dans cette région, car il coupe en classe la chaîne
littorale et les chaînons côtiers (Benhassaine. M, 1980).

 L’oued Bougdoura prend sa source à 1900m d’altitude. Le profil longitudinal très relevé dans la
section amont, s’abaisse rapidement, et au contact de la plaine, s’insinue entre les inters fleuves.

 L’oued Aissi prend sa source à 2000m d’altitude. C’est l’affluent qui a le plus fort débit et qui est
responsable des modifications du tracé du lit de l’oued Sébaou. En effet l’oued Aussi débouche
dans l’oued Sébaou juste en amont des gorges du Belloua.

 L’oued Sébaou débute à l’Est de la chaine du Djurdjura par l’intermédiaire de quatre torrents qui
naissant entre le col de Tirourda à 22000m d’altitude et le col de Chellata à 2100m d’altitude.

P a g e 39
Chapitre II Présentation du site et étude de bassin versant

Figure II. 3: Carte hydrologique du bassin versant oued Sébaou (ANRH, 2010)

P a g e 40
Chapitre II Présentation du site et étude de bassin versant

II.6. Etude et caractéristiques de bassin versant

II.6.1 Caractéristiques physiques de bassin versant

A. Caractéristiques géométriques
 Surface
C’est le paramètre le plus important qui permet de contrôler l’intensité de plusieurs phénomènes
hydrologiques (apport, volume de précipitation ou infiltration…)., la surface obtenue est donnée par
:

S= 2500 km2

 Périmètre :
P=250. 387 km.
 Longueur de talweg principal
C'est le cours d’eau le plus long dans le bassin versant tel que

L= 97 km

A. les Caractéristiques hydro morphologiques

 Indice de Forme (ou de Compacité) de Gravelius

La valeur de cet indice permet d’avoir une idée sur la forme du bassin versant. Il est définir
comme le rapport du périmètre du bassin au périmètre du cercle ayant la même surface :

Kc ………………………………………………(II.01)

P : périmètre du bassin versant (km).

S : surface du bassin versant (km²).
Tableau II. 1: Classification de bassin selon l’indice de compacité de GRAVELUS

Kc<1.25 Bassin compact

1.25<Kc<1.5 Bassin de forme moyenne
Kc>1.5 Bassin plutôt allongé

A partir du tableau (II.01) de classification on peut avoir la classe de notre bassin versant.
On a : 1.25<Kc<1.5

P a g e 41
Chapitre II Présentation du site et étude de bassin versant

Tableau II. 2:Caractéristiques de formes des sous bassins étudiés.

Bassin versant Périmètre (km) Surface (km2) Kc

02-15 102.4 532 1.24
Haut
02-16 112 432 1.50
Sébaou
02-17 98.6 468 1.27
Moyen 02-18 82 304 1.31
Sébaou 02-19 94.2 544 1.13
Bas
02-20 62.6 220 1.18
Sébaou
Le grand bassin 250.4 2500 1.4
Source ANRH
 Indice de pente globale (Ig) :
H 5%  H 95%
Ig  = 1.15%………………(II.02)
L
Avec :
H5% : altitude de fréquence ¼ = 1300m
H95% : altitude de fréquence ¾ = 150m
L : longueur du rectangle équivalent = 100 m
Tableau II. 3:Classification de relief

Indice de pente
Classe Type de relief
globale
R1 Relief très faible Ig<0.002
R2 Relief faible 0.002<Ig<0.005
R3 Relief assez faible 0.005<Ig<0.01
R4 Relief modéré 0.01<Ig<0.02
R5 Relief assez fort 0.02<Ig<0.05
R6 Relief fort 0.05<Ig<0.1
R7 Relief très fort 0.1<Ig

Donc : le type de relief de notre bassin versant est : relief modéré.

P a g e 42
Chapitre II Présentation du site et étude de bassin versant

Figure II.4 : Carte des reliefs et altitudes du bassin versant de la vallée du Sébaou (Mekhaldi,2017)

II.6.2 Hypsométrie du bassin versant

 Courbe hypsométrique du bassin versant
La courbe hypsométrique est tracée selon les résultats des mesures de la répartition du bassin versant
par tranche d’altitude, et surfaces partielles. Cette courbe fournit une vue synthétique de la pente du
bassin, donc du relief. Cette courbe représente la répartition de la surface du bassin versant en fonction
de son altitude. Elle porte en abscisse la surface (ou le pourcentage de surface) du bassin qui se trouve
au-dessus (ou au-dessous) de l'altitude représentée en ordonnée. Elle exprime ainsi la superficie du bassin
ou le pourcentage de superficie, au-delà d'une certaine altitude. Les courbes hypsométriques demeurent
un outil pratique pour comparer plusieurs bassins entre eux ou les diverses sections d'un seul bassin.
Elles peuvent en outre servir à la détermination de la pluie moyenne sur un bassin versant et donnent
des indications quant au comportement hydrologique et hydraulique du bassin et de son système de
drainage.

P a g e 43
Chapitre II Présentation du site et étude de bassin versant

1800
1600
1400
1200
altitudes (m)

1000
800
600
400
200
0
0 20 40 60 80 100 120
% de surface

Figure I. 1:courbe hypsométrique du bassin versant Sébaou, d’après (B. Akpamoli.1989)

 .Les altitudes caractéristiques

a) L'altitude maximale et minimale :
Elles sont obtenues directement à partir de cartes topographiques. L'altitude maximale représente
le point le plus élevé du bassin tandis que l'altitude minimale considère le point le plus bas, généralement
à l'exutoire. Ces deux données deviennent surtout importantes lors du développement de certaines
relations faisant intervenir des variables climatologiques telles que la température, la précipitation et le
couvert neigeux. Elles déterminent l'amplitude altimétrique du bassin versant et interviennent aussi dans
le calcul de la pente, donc d'après la carte topographique

Hmax =1700 m NGA

Hmin = 20m

b) Altitude médiane
L’altitude médiane correspond à celle lue au point d’abscisse 50% de la surface totale du bassin, sur la
courbe hypsométrique. Cette grandeur se rapproche de l'altitude moyenne dans le cas où la courbe
hypsométrique du bassin concerné présente une pente régulière, d'après la courbe hypsométrique
on a :

Hméd =590 m NGA

P a g e 44
Chapitre II Présentation du site et étude de bassin versant

II.6.3 Le réseau hydrographique et caractéristiques d’écoulement

 Dénivelée spécifique
Elle sert à comparer les indices de pentes du bassin de superficie différentes, d’après la deuxième
classification de l’O.R.S.T.O.M appliquée à tout basin quelle que soit sa surface. Elle est donnée par la
formule suivante :

Ds= Ig*√𝑺…. ………………………………………………(II.03)

A.N : Ds = 0.57
Tableau II. 4: Classification O.R.S.T.O.M (type de relief)

Relief Ds (m)
1 Très faible <10
2 Faible 25
3 Assez faible 50
4 Modéré 100
5 Assez fort 250
6 Fort 500
7 Très fort >500

 Densité de drainage

La relation de la densité de drainage est donnée par la formule suivante :

∑𝑛
𝑖=1 𝑙𝑖
𝐷𝑑 = …………………………………………………..…………... (II.04)
𝑆
Li : longueur totale des cours d’eau d’ordre i (km)
n : l’ordre le plus élevé dans la classification.
S : La surface de bassin (km²)
 Densité du talweg élémentaire
N1
F 
S ……………………………………………(II.04)
Avec : F1: Fréquence des talwegs d’ordre 01 ;
N1: Nombre de talwegs d’ordre 01
S : La surface de bassin (km²).
 Coefficient de Torrentialité
Il est donné à partir de la formule suivante :

CT  D d  F1 …………………………………………………. (ӀI.05)

P a g e 45
Chapitre II Présentation du site et étude de bassin versant

 Pente moyenne du cours d’eau principale Ic

Elle exprime le rapport entre la dénivelée et la longueur comprise entre deux points suffisamment
éloignés du cours d’eau principal. Elle est donnée par la formule suivante :
Ic= ∆𝐻/∆𝐿 …………………………………....(II.06)

ΔH : Différence d'altitude entre deux points de cours d'eau suffisamment éloignés(m)

ΔL : La distance entre ces deux points (km).

 Te mps de concentration

C’est le temps que met la particule d’eau la plus éloignée pour arriver à l’exutoire, il existe plusieurs
formules. Dans le contexte algérien et pour les grands bassins versants, il peut être calculé par la
formule de GIANDOTTI:

4  S  1.5  L
TC = ……………………….. (IӀ.07)
0.8 H

Avec : Tc : temps de concentration en heure ;

S : Surface du bassin versant (Km²) ;
H : Hmoy - Hmin
H m o y : Altitude moyenne du bassin versant(m);
Hmin : Altitude minimale du bassin versant(m) ;
L : Longueur du talweg principal (km).

 Vitesse de ruissellement

On entend par ruissellement, l’écoulement par gravité à la surface du sol, suivant la pente du terrain, et
dans le micro-réseau hydrographique, des eaux météoriques qui ont échappé à l’infiltration, à
l’évaporation et au stockage superficiel.

Cette vitesse est déterminée par la formule suivante :

Vr= L/Tc ………………………………………………(II.08)
Avec : L : Longueur du thalweg principal (Km)

Tc : Temps de concentration (h)

P a g e 46
Chapitre II Présentation du site et étude de bassin versant

Tableau II. 5: Caractéristiques hydromorphométriques du quelques sous bassin du bassin versant Sébaou

Code des sous Superficies Périmètre ∑ 𝑳𝒊 𝑫𝒅 𝑪𝑻 𝑳𝑻 𝑻𝒄

bassins versants de en Km2 en Km 𝒌𝒎 (𝒌𝒎 ) (𝒉)
(𝒌𝒎) ( )
Sébaou 𝒌𝒎𝟐
Haut
Sébaou 02-16 432 112 340 3.4 24.3 19 4.6
02-17 468 98.6 1518 3.3 26.7 33 7.05
Moyen 02-18 304 82 5215 3.7 31.05 66 13.31
Sébaou
Bas 02-20 220 62.6 6453 2.7 19.6 92 17
Sébaou
Source ANRH de Tizi-Ouzou

II.6.4 Caractéristiques hydro-climatologiques

a. Equipment du basin versant:
Pour l’analyse des différentes caractéristiques climatologiques au niveau de bassin versant Sébaou, on a
choisi les stations suivantes :
Tableau II. 6:les stations hydrométriques du bassin versant Sébaou

Code des sous bassins La période

versants de Sébaou X(m) Y(m) Z(m) observation

02-15-13 645.600 382.600 140 1980-2011

Station hydrométriques

02-16-05 642.950 384.250 130 1986-2009

02-17-15 627.100 374.600 110 1986-2001

02-18-03 623.300 381.200 90 1980-2011

02-19-05 610.200 375.750 80 1972-2011

02-08-05 / / / 1972-2001

P a g e 47
Chapitre II Présentation du site et étude de bassin versant

Figure II. 4:Répartition des stations hydrométriques dans le bassin versant du Sébaou (Source : ANRH)

Tableau II. 6 : les stations pluviométriques du bassin versant Sébaou

Code des sous bassins La période

versants de Sébaou X(m) Y(m) Z(m) observation

02-15-03 650.9 370.5 220 1980-2011

02-16-05 645.1 391.5 680 1980-2011
Station pluviometrique

02-17-05 634,9 370.8 980 1980-2011

02-18-04 615.2 382.45 90 1980-2011

02-19-15 612.3 379.15 78 1980-2011

02-20-02 603.65 390 30 1980-2011

P a g e 48
Chapitre II Présentation du site et étude de bassin versant

Figure II. 5: Répartition des stations pluviométriques dans le bassin versant du Sébaou (Source : ANRH)

b. Le Climat :
Le climat de la région est un climat type méditerranéen, pluvieux en hiver, sec en été avec une pluviométrie
moyenne avoisinant les 900 mm par an, comme le montre la carte pluviométrique de l’ANRH.

Figure II. 6: Carte de la pluviométrie moyenne annuelle de la région d’étude

c. Température

P a g e 49
 Chapitre II Présentation du site et étude de bassin versant

Les températures conditionnent le déficit d’écoulement ainsi que son estimation et encore jouent un rôle
dans le processus de condensation et d’évaporation de l’eau.
Le tableau (II.8) se dessous récapitule la variation des températures moyennes annuel mensuel enregistré
au niveau de la station de Tizi-Ouzou sur une période de (1996-2008) et la station de Azazga (1968-2005).
Tableau II. 7 : la variation des températures moyennes annuel mensuel

Station :Tizi-Ouzou(1996-2008)

mois janv fév mars avril mai juin jui aout sep oct nov déc annuel

moy 10,9 11,5 14,2 16,5 20,3 25,3 28,5 29 25,2 21,3 15,2 11,7 19,2

min 6,5 6,6 8,6 10,8 14,5 18,5 21,4 22 19 15,5 10,6 7,6 13,5
temperature (T°)

max 15,3 16,5 19,8 22,1 26,1 32,2 35,6 35,9 31,4 27,1 19,8 15,8 24,8

Station : d’AZAZGA (1968-2005)

Moy 24.23 19 12.27 10.15 10.05 10.23 12.21 13.9 17.23 22.46 25.11 25.2 16.84

Source ONM

d. L’humidité relative :
Les variations de l’humidité relative de l’air sont fondamentalement conditionnées par Les variations de
la température et par la nature des masses d’air locales. On admet que la variation de la température de
l’air provoque, en règle générale, une variation contraire de L’humidité relative de l’air.
La distribution spatiale des valeurs de l’humidité de l’air et variations journalières et annuelles, peuvent
être modifiées par l’action des facteurs locaux.
Le tableau(II.09) présente les valeurs moyennes mensuelles et annuelles de l’humidité relative de l’air
pour les deux stations Tizi-Ouzou et Azazga.
Tableau II. 8:la variation de l'humidite de l'air moyennes annuel mensuel

Station :Tizi-Ouzou (2005-2015

mois janv fév mars avril mai juin jui aout sep oct nov déc annuel
Humidite 82 80 78 75 72 64 58 60 67 72 78 82 72
relative Station : d’Azazga (1968-2005)
moy (%)
74 76 71 70 60 58 51 50 58 71 76 78 50

Ces résultats montrent que l’humidité de l’air est relativement faible à partir du mois de mai jusqu’au mois
de septembre avec un minimum de 50% au mois d’août et sensiblement élevée du mois d’octobre jusqu’au

P a g e 50
 Chapitre II Présentation du site et étude de bassin versant

mois d’avril, caractérisant la saison humide avec un maximum de 78% au mois de décembre pour la station
de Azazga et 82 % au mois de janvier pour la station de Tizi-Ouzou.

e. Le vent
Le vent est l’un des éléments caractéristiques du climat régissant l’évaporation à la surface du sol et de
la végétation. Les résultats des moyennes mensuelles de la vitesse du vent enregistrée au niveau de la
station de Tizi-Ouzou sont présentés dans le tableau (II.10).
Tableau II. 9:: Moyenne mensuelles des vitesses du vent.

Mois Janv Fév Mars Avril Mai Juin Juill Aout Sép Oct Nov Déc Annuel
vent
1,1 1,3 1,7 1,9 1,9 2,2 2,2 2,2 1,6 1,2 1,4 1,3 1,7
(m/s)
Source ONM

D’après les données de l’ONM on constate que les vents dans la zone d’étude sont généralement
d’orientation Ouest à Sud-ouest. Force des vents :

Elle est estimée d’après une échelle télégraphique dont les degrés sont les suivants :
 0 : vent calme ;
 1-2 : vent faible ;
 3-4 : vent modéré ;
 5-6 : vent assez fort ;
 7-8 : vent fort ;
 9 : vent violent ;
D’après les données disponibles, on constate que la région d’étude est caractérisée par des vents faibles.

f. Sirocco
La fréquence du sirocco est une des données caractéristiques du climat. Les valeurs du tableau(II.11)
permettent de constater que la durée du sirocco est très variable, essentiellement un phénomène d’été avec
cependant des fréquences relativement importantes au début de l’Automne (Septembre et Octobre).

Tableau II. 10:Nombre moyen de jours de sirocco à la station de Tizi-Ouzou

Mois Janv Fév Mars Avril Mai Juin Juill Aout Sép Oct Nov Déc Annuel
Sirocco 0.00 0.30 1.30 1.5 2.4 4.00 8.5 8.5 5.2 3.6 1.6 0.2 37.30
(m/s)
(Source ONM)

g. Indice d’Aridite

P a g e 51
Chapitre II Présentation du site et étude de bassin versant

L’aridité d’une région, peut être exprimée par différents indices, fondes principalement sur les valeurs
moyennes des précipitations et températures. Les plus connus sont ceux de Martonne (1926) ;
[Link](1932) ; [Link] (1948) ;[Link] (1950) ; R. Capot-Rey (1951) ; H. Gaussen ; F.
Bagnouls (1952) et P. Birot (1953).

Indice d’aridité de Martonne

Il est définit par la formule suivante :

P
A= ………………………………………………(II.09)
T+10
Où
P : précipitations annuelles moyennes (mm) ;
T : Températures annuelles moyennes (°C).
Les types de climat se classent comme suit :

30 > A > 20: climat tempère.

20 > A > 10: climat semi aride.
10 > A >7.5: climat steppique.
7.5 > A >5: climat desertique.
A < 5 : climat hyperaride.

Pour Notre cas

770.3
A = 19.2+10 = 26.38
D’après les données disponibles, on constate que la région d’étude est caractérisée par un climat
tempéré.

h. Etude de l’évapotranspiration

L’évapotranspiration est l’une des plus importantes composantes du bilan hydrologique. Cette dernière
conditionne l’abondance où le déficit en eau pour la végétation, et par conséquent, sa connaissance est
fondamentale pour toute action d’aménagement et de lutte contre les crues et les transports solides.
L’évapotranspiration est un paramètre difficile à mesurer, il dépend de plusieurs paramètres facteurs
variant dans le temps et dans l’espace. Les principaux paramètres qui conditionnent l’évapotranspiration
sont : la température, les précipitations, l’état du sol et la végétation.
L’évapotranspiration est la combinaison de deux phénomènes :

 L’évapotranspiration potentielle (ETP) qui représente la quantité d’eau maximale qui pourrait
s’évaporée au niveau d’un sol saturé c.-à-d. l’évapotranspiration potentielle est employée lorsque la
surface évaporant est convenablement alimentée en eau.

P a g e 52
Chapitre II Présentation du site et étude de bassin versant

 Calcul de l’évapotranspiration réelle

L’évapotranspiration réelle (ETR) qui désigne la quantité d’eau effectivement évaporée et transpirée; ce
qui signifie que l’ETR désigne l’évaporation sans tenir compte de l’abondance de l’eau à la surface. Il est
facilement accessible grâce à des formules empiriques qui utilisent les données faciles à quantifier comme
la température et les précipitations.
Dans notre cas on opte à la méthode de Turc qui s’applique à tous les climats.
Méthode de Turc
Selon Turc, l’ETR est fonction de quantité de la précipitation moyenne annuelle du bassin versant et
d’un paramètre, L lui-même fonction de la température moyenne annuelle (t) du bassin versant.
P
ETR  ………………………………………………(II.10)
p2
0.9  2
L
L=300+25T+0.05T3 ………………………………………………(II.11)
Avec :
ETR : Evaporation réelle moyenne annuelle (mm).
P : Précipitation moyenne annuelle (mm).
T : Température moyenne annuelle(C°).
L : Pouvoir évaporant
Soit L=1133.98 et P=770.3mm avec T=19.2°c On aura :

ETR = 660.2mm.

II.7. Conclusion

P a g e 53
Chapitre II Présentation du site et étude de bassin versant

Dans ce chapitre nous avons présenté les différentes caractéristiques hydrographiques pour notre zone
d’étude. Ces caractéristiques sont très importantes pour l’étude de la pluviométrie et l’écoulement dans
les sous bassin étudiés.

Tableau III.12 : Récapitulatif des caractéristiques hydro-morphométries du bassin versant :

Désignations Symboles Unités Valeurs

Superficie S km2 2500

Périmètre P Km 250.39

Longueur du cours d’eau principal LP km 97

Indice de compacité KC - 1.40

Maximale Hmax m 1700

Minimale Hmin m 20

Médiane H50% m 550

Altitudes 5% H5% m 1300

95% H95% m 150

Indice de pente globale Ig m/Km 1.15

Dénivelée spécifique Ds m 57

P a g e 54
 Chapitre III :
Analyse Statistique et
hydrologique
 Chapitre IV :
Application du modèles
RNA et ANFIS dans la
relation pluie-débit
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

VI.1. Introduction:

Durant des décennies, la modélisation des paramètres hydrométéorologiques (précipitations,

écoulements et/ou transport de matériaux solides) a fait l’objet de nombreuses études.
Comme tout modèle d’analyse, le modèle neuronal et du système d’inférence logique à base de réseau
adaptif (ANFIS), sont tous amené à traiter des phénomènes complexes à partir des données réelles. Ce
chapitre englobe les principaux choix à prendre lors du développement de ce genre de modèle en se
reposant sur ce qu’il y a dans la littérature. Ainsi que, les résultats de leurs applications sur notre
problématique.

La méthodologie adoptée est simple et vise à identifier les facteurs explicatifs de la transformation pluie
en débit liquide, l’influence des paramètres hydro-climatique sur la relation pluie-débit liquide et de
l’influence des précipitations sur le transport solide.

VI.2. Application du modèles RNA et ANFIS

La Création d’un tel modèle nécessite le passage par plusieurs étapes afin de réaliser une modélisation
performante et fiable qui est le cas pour des modèles d’intelligence artificielle.

IV.1.1. Normalisation des données

Dans un échantillon de donnés, il y toujours une différence entre les grandeurs. A cet égard, il est
primordial de faire une transformation de mise à l’échelle afin de réduire l’ordre de grandeurs des
valeurs.
Dans notre cas, puisque on travaille avec des données hydrométriques, on a calculé la variable réduite u,
telle que :
̅
𝐷−𝐷
U= 𝜎𝐷
……………………………………………………….(IV.1)

Avec :
D : la valeur d’une donnée
̅ :la moyenne
𝐷

𝜎𝐷 :L’écart type

IV.1.2. Division des données

Avant d’entamer la modélisation, il est obligatoire de sélectionner les données. Un choix surprenant des
entrées garantis une bonne performance dans les modèles.

P a g e 77
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

Les modèles sont testés sur des pas du temps différent selon la disponibilité des données
hydrométéorologiques.

 Données journaliers :
Dans le cas de la modélisation Pluie-Débit, les modèles seront testés sur la station « FREHA » avec un
échantillon de 18 ans. Les données seront divisées en trois périodes, la période de calage, de test et une
autre pour la validation du modèle.
Tableau IV. 1: Période totale utilisée pour les modèle (RNA et ANFIS ; St : Belloua)

Station
FREHA
Période
calage 1988-2001
Test 2001-2004
Validation 2004-2006

 Données mensuelle :
La transformation des paramètres pluie–débit résultent d’un certain nombre de mécanisme complexes et
qui interviennent à différentes échelles spatiales et temporelles. A cette égard, nous avons testés les
modèles en ajoutant deux paramètres hydro-climatique (la température, Humidité relative) sur la station
« Belloua », nous disposons d’un échantillon mensuel de 12 ans.
Tableau IV. 2:Période totale utilisée pour les modèle (RNA et ANFIS ; St : Belloua)

Station
Belloua
Période
calage 1996-2003
Test 2004-2006
Validation 2007-2008

IV.1.3. Evaluations des modèle

Trois critères d’efficacités ont été utilisés pour évaluer les performances de la généralisation du modèle,
à savoir le NASH, MSE et R montrés respectivement dans le chapitre I (Equation I.2, I.3 et I.4).

P a g e 78
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.3.1. Mise en œuvre des modèles : le langage Matlab

La modélisation a été exécutée par le programme « nnstart » sous le langage Matlab version 2016.
Le programme nnstart : ouvre une fenêtre avec des boutons de lancement pour les outils d’ajustement
de réseau neuronal, de reconnaissance de modèles, de clustering et de série chronologique.
Dans notre cas, on choisit l’outil des séries chronologique « ntstool ».

Figure IV. 1 :Appel de la fonction « nnstart », Sous langage Matlab

VI.3. Réseau de neurone artificiel

Comme il a été expliqué dans le premier chapitre, l’application des réseaux neurones à la relation pluie
débit requiert une certaine connaissance quant aux différents modèles et algorithmes que caractérisent
ces réseaux.
On peut récapitulée les caractéristiques du modèle neuronal utilisé en :

 L’architecture d’un réseau de neurones :

En se basant sur l’étude Funahashi (1989), On a opté au perceptrons Multicouches (PMC) vue sa
capacité d’approximer n’importe quelle fonction relationnelle avec quelconque degré de précision avec
seulement une seule couche cachée et avec un nombre suffissent des neurones.

P a g e 79
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

Figure IV. 2:exemple du l'architecture de modèle neuronal (10-2) ;Sous Matlab.2016

 Choix du nombre de couche cachées et le nombre des neurones :

Malgré le rôle crucial de nombre couches cachées et le nombres de neurone dans la performance du
modèle, il n’existe pas de règle fixe dans le développement de ce genre de modèle. De ce fait, il est
indispensable de lancer plusieurs essais commençant par deux neurones jusqu’à l’obtentions d’une
erreur de performance minimale.

 Paramètres d’apprentissage
Le choix d’un algorithme d’apprentissage influence directement sur la rapidité de calcule. Il a pour but
d’ajuster les poids jusqu’à l’arriver à un minimum sur la fonction de coût représentant l’écart entre les
sorties obtenues et les sorties de référence.
Levenberg et Marquard (Levenberg, 1944, Marquard, 1963) ont développé un algorithme appelé
l’algorithme de Levenberg-Marquard, qui est rapide et qui a une bonne stabilité de convergence. A cet
effet, cet algorithme a été adopté avec un apprentissage type supervisé dans cette étude.

Figure IV. 3:Le choix d’un algorithme d’apprentissage; Sous Matlab.2016

P a g e 80
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.3.2. Résultats de la simulation avec RNA

Le modèle neuronal sera testé aux deux pas de temps : mensuel et journalier. Pour l’estimation des
paramètres, Les données sont scindées en trois parties :
 L’échantillon de calage :
C’est la plus longue partie, elle contient 70% d’échantillon. Elle est destinée à l’apprentissage pour
reconnaitre le dynamisme de modèle
 L’échantillon de test :
Cette partie évite le sur-apprentissage en vérifiant l’erreur de calage(apprentissage) et du test. On prend
15% des données pour le test.
 L’échantillon de validation :
La période de validation consiste à estimer les performances des modèles. Dans notre cas on prend 15%
de l’échantillon pour la validation.

Figure IV. 4:choix de pourcentage de la division des données ;Sous Matlab.2016

IV.3.3. Résultats du modèle neuronale pluie-débit appliqué aux données journalières :

Trois modèles sont testés pour la station de Freha, un modèle avec un nombre de couches et de neurones
différents :
 Un modèle à deux couche cachée avec dix neurones soit le modèle
(10-2).
 Deux modèles à quatre couches cachées avec respectivement dix et douze neurone (10-4) ;(12-
4).

P a g e 81
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

A. La convergence des modèles :

Notons que chaque modèle neuronal présente une initialisation aléatoire de ses poids
Synaptiques (Wi) et la convergence du modèle dépend énormément de l'état initial.
Les figures (IV.1 ; IV.2 ; IV.3) représentent l’évolution de la convergence de l'erreur quadratique en
fonction des itérations pour les trois modèles.

On admet que pour le même modèle neuronal, une fois l'algorithme d’apprentissage converge et d'autres
fois il diverge, ce qui montre l'intérêt du choix des poids synaptiques initiaux

Figure IV. 5:Convergence du modèle (12-4), station Freha

Figure IV. 6:Convergence du modèle (10-2), station Freha

P a g e 82
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

Figure IV. 7: Convergence du modèle (10-4), station Freha

Le tableau (IV.1) récapitule les résultats du modèle neuronale appliqué à la station « Freha » à une seule
entrée (pluie).

Tableau IV. 3:Résultats du modèle neuronale

Critère
NASH RMSE R
modèle
10-2 69.64 3.17 0.65
10-4 79.25 1.17 0.73
12-4 80.02 1.05 0.81

Il apparaît clairement dans le tableau IV.4 et les figures (IV.4 ; IV.5), l’évaluation numériques des
critères de performance sont satisfaisantes d’une façon globale.
Nous remarquons que les critères NASH et R n’affichent pas une différence considérable pour classer
les scénarios par contre une variation considérable dans l’erreur quadratique (RMSE). Cependant, on
opte au modèle neuronale (12-4) qui représente les meilleures performances lors des expérimentations
précédentes.

P a g e 83
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) : Hydrogramme de simulation entre le Débit mesuré et le débit Simulé ;

(b ): Comparaison entre le débit liquide mesuré et le débit liquide simulé par RNA)
Figure IV. 8:Résultats de simulations journalières par les réseaux de neurones modèle (12-4), station
Freha

P a g e 84
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a): Hydrogramme de simulation entre le Débit mesuré et le débit Simulé

(b) : Comparaison entre le débit liquide mesuré et le débit liquide simulé

Figure IV. 9:Résultats de simulations journalières par les réseaux de neurones modèle (10-2), Station
Freha ;b :)

P a g e 85
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.3.4. Résultats du modèle neuronale pluie-débit liquide appliqué aux données mensuelles
Le test d'un modèle au pas de temps mensuel, nous a paru intéressant dans la mesure de comprendre
l’influence des paramètres hydro-climatique sur la génération des débits liquide au niveau du bassin
versant Sébaou.
Dans cette tentative, Les modèles sont testés en absence et en présence des paramètres hydro-
climatiques.
Les données hydro—climatiques sont extraire de la série d’observation de L’ONM de la station Tizi-
Ouzou sur une période de (1996-2008).(voir le tableau (III.2)

IV.3.4.1. A une seule entrée (pluie) :

Deux modèles sont testés pour la station de Belloua, un modèle avec un nombre de couches et de
neurones différents :
 Un modèle à deux couche cachée avec cinq neurones soit le modèle (5-2).
 Un modèle à quatre couches cachées avec six neurone (6-4).

Les résultats des modèles neuronaux appliqués à la station « Belloua » a une seule entrée (pluie) sont
représentés dans le tableau suivant :

Tableau IV. 4:Résultats du modèle neuronale a une seule entrée (données mensuelles)

Critère
NASH RMSE R
modèle
5-2 50.96 1.14 0.50
6-4 62.6 1.72 0.54

En examinant les résultats du tableau (IV.5) et les figures (IV.6 ; IV.7), nous apercevons que les
performances des modèles neuronaux varient sensiblement d’un modèle à un autre. Ainsi que les deux
critères Nash et R ne passe pas 60 %, donc les résultats ne sont pas assez satisfaisants.

Le graphique (b) dans la figure (IV.6), représente une discordance dans les premières valeurs qui est dû
à la présence d’une nappe libre dans le sous bassin « haute-Sébaou » qui est alimenté principalement par
les l’infiltrations efficace des précipitations.

Cette constations amène à juger que les précipitations seules ne peuvent pas être un paramètres d’entrée
décisive dans la simplification de la non-linéarité et la complexité pluie-débit liquide.

P a g e 86
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) : Hydrogramme de simulation entre le Débit mesuré et le débit Simulé

(b) : Comparaison entre le débit liquide mesuré et le débit liquide simulé

Figure IV. 10:Résultats de simulations mensuelles en absences les paramètres hydro-climatique (10-2)
par RNA , Station Belloua

P a g e 87
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) : hydro-gramme de simulation entre le Débit mesuré et le débit Simulé

(b):Comparaison entre le débit liquide mesuré et le débit liquide simulé

Figure IV. 11:Résultats de simulations mensuelles en absences les paramètres hydro-climatique (5-2)
par RNA , Station Belloua

P a g e 88
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

Cependant, on choisit le modèle neuronale (6-4) qui représente le meilleur coefficient de corrélation et
une bonne convergence pour les trois phases de simulations. (Voir la figure IV.8).

(a) : Convergence du modèle (6-4), station Belloua

(b) : Graphique de régression du tracé du réseau neuronal

Figure IV. 12:résultats du modèle neuronale retenue (6-4),station Belloua

P a g e 89
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.3.4.2. plusieurs entrées (pluie, température, humidité relative de l’air) :

Les résultats précédents ont montré la nécessité d’améliorer les performances des modèles neuronaux.
Pour cela, nous avons décidé d’introduire deux nouveaux paramètres : la température moyenne
mensuelle et l’humidité relative de l’air.
Deux modèles sont testés pour la station de Belloua, un modèle avec un nombre de couches et de
neurones différents :
• Un modèle à quatre couche cachée avec dix neurones soit le modèle (10-4).
• Un modèle à quatre couches cachées avec douze neurone (12-4).

Les résultats des différents modèles sont présentés dans le tableau suivant :

Tableau IV. 5:Résultats du modèle neuronale a trois entrées (données mensuelles)

Critère
NASH RMSE R
modèle
10-4 62.60 1.70 0.67
12-4 81.80 2.35 0.74

Les figures (IV.9 ;IV.10 ) et le tableau (IV.6), indiquent une améloiration considérable (satisfesante)
dans les performance des modéles ou la valeur du NASH depasse 80% pour le modèle (12-4 ) . Ceci est
dû à l’influence des paramétres hydroclimatique sur la géneration des débit dans la station de Belloua.

P a g e 90
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) : Hydrogramme de simulation entre le Débit mesuré et le débit Simulé

(b) Comparaison entre le débit liquide mesuré et le débit liquide simulé

Figure IV. 13:Résultats de simulations mensuelles en présence des paramètres hydro-climatique

(10-4) par RNA , Station Belloua

P a g e 91
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) : Hydrogramme de simulation entre le Débit mesuré et le débit Simulé

(c) : Comparaison entre le débit liquide mesuré et le débit liquide simulé

Figure IV. 14:Résultats de simulations mensuelles en présence des paramètres hydro-climatique

(12-4) par RNA , Station Belloua

P a g e 92
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

D’après les résultats discutés, on a opté au modèle neuronale (12-4) .la figure (IV.10) illustre la
régression des différentes phases de la modélisation ainsi que la convergence du modèle.

(a) : Convergence du modèle (12-4), station Belloua

(b): Graphique de régression du tracé du réseau neuronal

Figure IV. 15: les résultats du modèle neuronale retenue (6-4),station Belloua

P a g e 93
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.3.5. Constatations générales sur la modélisation pluie-débit liquide par RNA :

Dans cette partie, nous avons exploré le modèle neuronal dans la modélisation de la relation des
précipitations avec les débits liquides sur échelles journalier ainsi que la relation pluie-débit en présence
et en absence des paramètres hydro climatique sur l’échelles mensuelle.

Pour la transformation pluie-débit, quel que soit le nombre de couche et des neurones utilisés, les
résultats obtenus n’ont pas été à la hauteur de ceux attendus qui peut être liée à l’insuffisances des
données climatologiques.

P a g e 94
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

VI.4. Le système d’inférence logique à base de réseau adaptif (ANFIS)

Identiquement au modèle neuronale, l’application du système d’inférence logique à base de réseau

adaptif (ANFIS) nécessite une certaine procédure à suivre afin d’avoir des résultats considérables.
On peut synthétisée le modèle neuro-flou par :
 La première étape d’une simulation par les systèmes d’inférence floue consiste à
déterminer les variables d’entrée et de sortie.
 Choix de la fonction d’appartenance dans notre cas, nous avons choisi la fonction triangulaire
avec (4 paramétrés)

Figure IV. 16:Choix de la fonction d’appartenance ; Sous Matlab.2016

 Le Systèmes Neuro-Floues hybrides choisis c’est celui de Sugeno (Takagi et Sugeno, 1985)

Figure IV. 17:choix su Le Systèmes Neuro-Floues hybrides

P a g e 95
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

 Choix du nombre de règle floue, Il est à préciser que le nombre total de règles égale a np égal
avec, n représente le nombre de règles effectives (pour chaque entrée) et P est le nombre d’entrée

Pour l’estimation des paramètres, le procédé est le même que celui du modèle neuronal, c’est à dire que
la série modélisée est divisée en trois échantillons, le premier servant de calage, le deuxième pour la
validation et la troisième pour le test du modèle. (Voir les tableaux (IV.1 ; IV.2 ).
La modélisation de débit solide à l’aide modèle flou est réalisée par la programmation sous MATLAB
« ANFISEDIT ».

Figure IV. 18:Appel de la fonction « Anfisedit », Sous langage Matlab

IV.4.1. Résultats de la simulation avec ANFIS

IV.4.1.1. Résultats du modèle neuronale pluie-débit appliqué aux données journalières :
Le tableau (IV.7) récapitule les résultats du modèle ANFIS appliqué à la station « Freha » a une seule
entrée (pluie)
Tableau IV. 6: Résultats du modèle journaliers ANFIS (un seul paramètre d'entrée)

Critère
NASH RMSE R
modèle
(25) 64.25 6.96 0.60
(75) 76.56 5.80 0.72
(100) 91.25 1.08 0.86

Le tableau (IV.7) et les figures (IV.12; IV.13), nous apercevons qu’en effet le nombre de règles permet
d’améliorer les résultats le modèle avec un nombre de (25) règles, représente une performance
relativement faible par rapport à celle du (75). Le modèle avec (100) règle présentent des débits
modélisés très bonnes avec un NASH supérieures à 90 %.

P a g e 96
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) Hydrogramme de simulation entre le Débit liquide observé et le débit liquide Simulé

(b): Comparaison entre le débit liquide observé et le débit liquide simulé

Figure IV. 19:Résultats de simulations journalier a une seule entrée ( pluie) par ANFIS (100 règle ),
Station Belloua

P a g e 97
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) Hydrogramme de simulation entre le Débit liquide observé et le débit liquide Simulé

(b) : Comparaison entre le débit liquide observé et le débit liquide simulé

Figure IV. 20:Résultats de simulations journalier a une seule entrée (pluie) par ANFIS (25 règle) ,
Station Belloua

P a g e 98
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.4.2. Résultats du modèle neuronale pluie-débit liquide appliqué aux données mensuelles
Au pas de temps mensuelle, nous essayerons d’étudier les deux cas avec et sans paramétré hydro-
climatiques. Les modèles seront testés sur la station « Belloua », sur une période de 12 ans.

IV.4.2.1. A une seule entrée (pluie) :

Les résultats des critères de performances obtenus sont représentés dans le tableau suivant :
Tableau IV. 7:Résultats du modèle mensuelles ANFIS (un seul paramétré d’entrée)

Critère NASH RMSE R

modèle
16 51.8 9.256 0.50
25 61.25 6.9563 0.57
64 -13 11.92 0.42

Il apparaît clairement dans les tableaux (VI.8) et les figures (VI.15 ; IV.16) que les résultats obtenus
pour la station du Belloua sont très médiocres quel que soit le nombre de règles introduites dans le
modèle. Ainsi que, les modèles utilisant 64 sous-estime le débit liquide ce qui traduites par une valeur de
Nash égale à (-13%).

P a g e 99
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) Hydrogramme de simulation entre le Débit liquide observé et le débit liquide Simulé

(b) : Comparaison entre le débit liquide observé et le débit liquide simulé

Figure IV. 21:Résultats de simulations mensuelles a une seule entrée (débit liquide) par ANFIS (25
règle floue ) , Station Belloua

P a g e 100
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) Hydrogramme de simulation entre le Débit liquide observé et le débit liquide Simulé

(b) : Comparaison entre le débit liquide observé et le débit liquide simulé

Figure IV. 22:Résultats de simulations mensuelle avec une seule entrée, par ANFIS (16 règle floue) ,
Station Belloua

P a g e 101
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.4.2.2. A plusieurs entrées (pluie, température, humidité relative de l’air) :

La simulation pluie-débit mensuelle par un modèle flou à partir des pluies observées seulement est
relativement délicate, l’introduction des nouveaux paramètres est une nécessité absolue.
Les résultats du modèle flou à trois entrées (Pluie, Température, Humidité relative de l’air) de la station,
sont présentés dans les tableaux VI.09

Tableau IV. 8:Résultats du modèle mensuelles ANFIS (une trois entrées)

Critère NASH RMSE R

modèle
27 51.52 8.2365 0.62
64 63.15 3.621 0.71
216 89.030 4.823 0.82

D’après les résultats des tableaux (VI.9), nous constatons qu’en effet l’introduction des paramétrés
hydro-climatiques permettent d’améliorer les résultats, le modèle à (216) règles est largement optimal
avec un (Nash=89.03%) par rapport à celui programmé à 27 règles (Nash =51%).
D’après les figures (IV.17 ; IV.18), les graphiques (b), illustre que le nuage de point est très bien
distribué avec la ligne de modèle.

P a g e 102
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) : Hydrogramme de simulation entre le Débit liquide observé et le débit liquide Simulé

(b) : Comparaison entre le débit liquide observé et le débit liquide simulé

Figure IV. 23:Résultats de simulations mensuelles a trois entrée par ANFIS (216 règle) , Station
Belloua

P a g e 103
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

(a) : Hydrogramme de simulation entre le Débit liquide observé et le débit liquide Simulé

(b) : Comparaison entre le débit liquide observé et le débit liquide simulé

Figure IV. 24:Résultats de simulations mensuelles a trois entrée par ANFIS (27 règle) , Station Belloua

P a g e 104
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

IV.4.3. Constations générales sur la modélisation pluie-débit par ANFIS :

Pour la modélisation pluie-débit liquide, des performances très élevées sont à remarquer pour toutes les
simulations mensuelles en introduisant les paramètres hydro-climatique. Néomoins, les simulations
journalières avec une seule entrée sont relativement faibles ; ceci est dû à la multiplication des cas telles
que les précipitations nulles (jours secs).

VI.5. Comparaison des résultats des modèles RNA et neuro-flou :

Après avoir modélisé, on a consacré cette partie de la thèse pour comparer ces approches en se reposant
principalement sur leurs performances à simuler le débit.

IV.5.1. Modélisation pluie-débit liquide

 Données journaliers :
D’après le tableau (IV. 12), a pas de temps journalier, si on compare les modèles neuronaux avec les
modèles neuro-flous (à une seule entrée : pluie), on constate que le modèle floue enregistré des
performances très élevées pour l’ensemble des performances.

Tableau IV. 9: Performances de RNA et ANFIS obtenus à l'échelle journalière

Critère
NASH RMSE R
Modèle
RNA 80.02 1.05 0.81
ANFIS 91.25 1.08 0.86

IV.5.2. Modélisation pluie-débit, pas du temps mensuel

 En présence des paramétrés hydro-climatique

L’introduction de la températures et l’humidité relative, on remarque qu’en termes de critères NASH et

R, c’est le modèle ANFIS qui démontre les meilleures performances avec des valeurs de 89.0 en NASH
et 0.82 en [Link] ce fait, nous avons démontré les performances des modèles neuro-flous.

P a g e 105
Chapitre IV Application du modèles RNA et ANFIS dans la relation pluie-débit

Tableau IV. 10: Performances de RNA et ANFIS obtenus à l'échelle mensuel (trois paramètres d'entrée)

Critère
NASH RMSE R
Modèle
RNA 81.80 1.35 0.74
ANFIS 89.030 4.823 0.82

 En absence des paramétrés hydro-climatique

Au pas de temps mensuel, on observe que le modèle RNA démontre des performances relativement
faibles avec des valeurs de 62.6 en NASH et 0.64 en R. et 2.25 en RMSE les performances du modèle
sont médiocre ; vu la non – linéarité de la relation pluie-débit et le caractère ponctuel de ces mesures qui
se contredit avec la variabilité spatiale de l’état hydrique dans un bassin versant .de ce fait, nous avons
démontré les performances des modèles neuro-flous.

Tableau IV. 11: Performances de RNA et ANFIS obtenus à l'échelle mensuel (un seul paramètre d'entrée)

Critère
NASH RMSE R
Modèle
RNA 62.6 2.25 0.64
ANFIS 61.25 6.9563 0.57

VI.6. Conclusion:

La capacité prévisionnelle de l’intelligence artificielle a pu être démontrée pour les deux modèles,
neuronales et le modèle neurone-flou.
Deux relations non linéaires ont été testées pour la modélisation des débits liquides avec les différents
types de séries chronologiques.
Dans une seconde partie, malgré le nombre limité de variables utilisées, la capacité prévisionnelle des
modèles paraît bonne et leur stabilité, pour les prévisions des débits liquides est satisfaisante pour la
transformation pluie-débit liquide. Sachant que les résultats obtenus par le modèle ANFIS sont
améliorés par rapport à celle de modèle neuronale sur les deux échelles journalières. Néanmoins, il est
toujours affirmé que plus les données climatologiques sont nombreuses plus les prédictions approchent
les valeurs réelles.

P a g e 106
 Chapitre VI :
Application de RNA et
ANFIS dans la relation
Débit liquide-débit solide
VI.1. Introduction :

En Algérie, l’érosion hydrique est liée à des facteurs naturels et anthropiques difficilement
maîtrisables, qui engendre directement sur l’envasement des barrages. Cependant, la quantification des
apports solides dans les oueds est un peu délicate face à la variabilité spatio-temporelle des processus
hydrologiques.
A cet égard, plusieurs modèles empiriques ont été mises en point afin de quantifier l’érosion et le
transport solide. Ce chapitre a pour but de prévoir le débit solide en appliquant les modèles stochastique
(RNA, ANFIS) et de quantifier les quantités de sédiments transportés par les principaux cours d’eau du
bassin hydrographique.

VI.2. Application du modèles RNA et ANFIS

La Création d’un tel modèle nécessite le passage par plusieurs étapes afin de réaliser une modélisation
performante et fiable qui est le cas pour des modèles d’intelligence artificielle.
VI.2.1. Normalisation des données
Dans un échantillon de donnés, il y toujours une différence entre les grandeurs. A cet égard, il est
primordial de faire une transformation de mise à l’échelle afin de réduire l’ordre de grandeurs des
valeurs.
Dans notre cas, puisque on travaille avec des données hydrométriques, on a calculé la variable réduite u,
telle que :
̅
𝐷−𝐷
U= ……………………………………..(VI.1)
𝜎𝐷

Avec :
D : la valeur d’une donnée
̅ :la moyenne
𝐷

𝜎𝐷 :L’écart type

VI.2.2. Division des données

Avant d’entamer la modélisation, il est obligatoire de sélectionner les données. Un choix surprenant des
entrées garantis une bonne performance dans les modèles.

Les modèles sont testés sur des pas du temps différent selon la disponibilité des données
hydrométéorologiques.

P a g e 107
Dans le cas de modélisation du transport solide, les modèle sont testées sur la station « Belloua », nous
disposons d’un échantillon journalier de 9 ans.
Tableau VI. 1:La période totale utilisée pour les modèle RNA et ANFIS(Belloua)

Station
Belloua
Période
calage 1980-1997
Test 1997-1998
Validation 1998-1999

VI.3. Résultats du modèle neuronale débit liquide-débit solide appliqué aux données journaliers
La modélisation par les réseaux neurones a été exécutée par le programme « nnstart » sous le langage
Matlab version 2016.

VI.2.3. A une seule entrée (débit liquide) :

Dans un premier temps, on a essayé d’évaluer la relation débit solide-débit liquide, pour la station de
Belloua, avec une seule entrée par deux modèles avec un nombre de couches et de neurones différents :
 Un modèle a deux couche caché avec huit neurone (8-2)
 Un modèle à deux couche cachée avec six neurones soit le modèle (6-2).
 Un modèle à quatre couches cachées avec quatre neurone (4-2).

Le tableau (VI.2) illustre que les résultats sont bons d’une façon globale et les critères de performance se
stabilise pour les deux modèles (4-2) et (6-2).
Tableau VI. 2::Résultats du modèle neuronale avec une seule entrée (données journaliers)

Critère
NASH RMSE R
modèle
8-2 47.5 5.141 0.74
6-2 70.85 2.0515 0.82
4-2 67.23 2.1352 0.82

On analyse le graphique (a) dans le deux figures (VI.1 ; VI.2), Le dernier pic de la série de données qui a
été mesuré à 51.26 m3/s a été grandement surestimé avec le modèle (8-2). La meilleure performance de
ce pic a été effectuée par le modèle (6-2), donc on opte à ce modèle.

Cette constatation nous amène à déduire que, le nombre de neurone dépasse 6 neurones, le réseau aura
beaucoup de paramètres libres ce qui peut mener à ce qu’on appel du sur-apprentissage « overfitting »..

P a g e 108
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

(b) : Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 1:Résultats de simulations journalier a une seule entrée (débit liquide) modèle (6-2) par RNA ,
Station Belloua

P a g e 109
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

b) : Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 2:Résultats de simulations journalier a une seule entrée (débit liquide) modèle (8-2) par RNA ,
Station Belloua

P a g e 110
D’après la figure (VI.3), l’erreur quadratique ce stabilise avec une valeur minimale de 4.40 dans le phase
d’apprentissage avec une corrélation qui dépasse 80% entre les débits observés et les débits simulés du
modèle.

(a) :la convergence du modèle (12-4), station Belloua

(b): Graphique de régression du tracé du réseau neuronal

Figure VI. 3: les résultats du modèle neuronale retenue (12-4),(St :Belloua)

P a g e 111
VI.2.4. A plusieurs entrées (pluie, débit liquide) :
MEDDI M. (1992), MEDDI M. & al. (1998) et Meddi et all (2012) ont montré que la pluie joue un rôle
crucial dans l’explication du phénomène d’érosion dans le bassin versant. A cet égard, nous tentons de
tester l’approche neuronale par deux modèles avec un nombre de couches et de neurones différents :
 Un modèle à deux couche cachée avec dix neurones soit le modèle (10-4).
 Un modèle à quatre couches cachées avec douze neurone (12-4).
Tableau VI. 3:Résultats du modèle neuronale avec deux entrées (données journaliers )

Critère
NASH RMSE R
modèle
8-2 61.28 3.4972 0.69
10-4 71.52 3.456 0.74
12-4 89.8 1.912 0.85

A partir du tableau VI.3 et les figures (VI.4 ; VI.5), on constate que les résultats obtenus sont bons pour
Les critères graphiques et les critère numérique de NASH égale à 89 % et un coefficient de corrélation
supérieurs à 80 %.

Cependant, nous choisissons le modèle (12-4) pour la modélisation de la relation pluie-débit liquide-
débit solide.

L’introduction d’une deuxième entrée, nous a permis d’augmenter les performances du modèle débit
liquide –débit solide a pas du temps journalier et donc une meilleure reproduction des débits solide.

P a g e 112
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

(b) : Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 4:Résultats de simulations journalier a deux entrée (débit liquide, pluie) modèle (12-4) par RNA ;

(St :Belloua)

P a g e 113
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

(b): Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 5:Résultats de simulations journalier a deux entrée (débit liquide, pluie) modèle (8-2) par RNA ,
(St :Belloua)

P a g e 114
D’après la figure (VI.7), Le modèle (12-4) achève les meilleures performances au niveau de coefficient
de corrélations sur les trois périodes calage, validation et qui sont respectivement de 0.85, 0.79 et 0.74

(a) :la convergence du modèle (12-4), station Belloua

(b): Graphique de régression du tracé du réseau neuronal

Figure VI. 6:les résultats du modèle neuronale retenue (12-4) ;(St : Belloua)

P a g e 115
VI.2.5. Constations générales sur la modélisation débit liquide-débit solide par RNA :
.

Dans cette partie, nous avons exploré le modèle neuronal dans la modélisation de la relation des
précipitations avec les débits liquides et le solide sur échelles journalier. D’autre part, nous avons
améliorés les résultats de performances du modèle RNA a une seule entrée (débit liquide), en
introduisant la précipitation. Ces résultats nous amènent à déduire l’agressivité climatique sur le
transport solide

VI.4. Résultats du modèle neurone-floue débit liquide-débit solide appliqué aux données
journaliers
La modélisation par le modèle « ANFIS » a été exécuté par le programme « anfisedit » sous le langage
Matlab version 2016.
En étudiant le transport solide dans le bassin versant Sébaou et la recherche d’un facteur qui influence la
prévision des débits solide, nous avons testés le modèle neurone-floue avec une et plusieurs entrées.

VI.3.1. A une seule entrée (débit liquide) :

Les résultats du modèle appliquée à la station étudier journalières sont présentés dans le tableau VI.4 :

Tableau VI. 4:Résultats du modèle journaliers ANFIS (un seul paramétré entrée)

Critère NASH RMSE R

modèle
5 51.5 3.92 0.69
16 71.5 2.51 0.83
25 84.1 1.91 0,85

D’après le tableau (VI.4), Les valeurs de performance de la phase d’apprentissage montrent que le
ANFIS s'est bien ajusté, en particulier le modèle a (25 règle), avec la plus forte valeur de R soit 89 %
et les plus faibles valeurs de RMSE (1.91).

Les figures (VI.7; VI.8), illustrent un très bon ajustement pour les deux modèles de réseaux de
neurones avec une supériorité du modèle avec (25) règle floue.

P a g e 116
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

(b) : Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 7:Résultats de simulations journalier a une seule entrée (débit liquide) par ANFIS (5 règle floue) ,
Station Belloua

P a g e 117
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

(c) : Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 8:Résultats de simulations journalier a une seule entrée (débit liquide) par ANFIS (25 règle floue) ,
Station Belloua

P a g e 118
VI.3.2. A plusieurs entrées (pluie, débit liquide) :
Dans cette seconde application, les débits solides ont été modélisés ; en introduisant la précipitations
moyennes journaliers de la station étudier. Les résultats de ce modèle sont présentés dans le tableau
(VI.5)
Tableau VI. 5:Résultats du modèle journaliers ANFIS (une deux entrée)

Critère NASH RMSE R

modèle
25 68.5 3.965 0.74
64 87.2 1.61 0.90

Le tableau (VI.4) et les figures (VI.9;VI.10) montrent que les deux modèles présentent une certaine
amélioration par rapport aux résultats de simulations en absence des précipitations. Les valeurs de Nash
sont de 68.5 %,87,2 % et respectivement. Ces résultats sont jugés acceptables vu la complexité du
phénomène étudié
Néanmoins, les résultats obtenus montrent qu’une amélioration relativement faible de la Modélisation.
En effet, l’introduction de précipitations moyenne journaliers dans l’estimation du débit solide peut
orienter le modèle aux différents cas étudiés.

P a g e 119
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

(b) : Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 9:Résultats de simulations journalier a deux entrée (débit liquide, pluie) par ANFIS (64 règle) ;

(St : Belloua)

P a g e 120
 (a) : Hydrogramme de simulation entre le Débit solide observé et le débit solide Simulé

(b) : Comparaison entre le débit solide observé et le débit solide simulé

Figure VI. 10:Résultats de simulations journalier a deux entrée (débit liquide, pluie) par ANFIS (25 règle) ,

(St : Belloua)

P a g e 121
IV.3.1. Constations générales sur la modélisation débit liquide-débit solide par ANFIS:
En vue de la complexité du phénomène de transport solide notamment en période de crue, les résultats
de simulations obtenus sont jugés satisfaisantes.

VI.5. Comparaison des résultats des modèles RNA et neuro-flou :

IV.4.1. Modélisation débit liquide –débit solide, pas du temps journalier

Les résultats exposés dans les tableaux (VI.6 ; VI.7) confirment que l'utilisation des deux entrées
améliore l'apprentissage du modèle et minimise l'erreur entre les valeurs simulées et celles observées.
Les résultats montrent aussi de très bonnes valeurs de NASH, R et RMSE, ce qui prouve l’effet
agressive des précipitations sur l’état du sol.
Cette constatation, nous amène à juger que le meilleur modèle pour la prédiction des débits solides pour
les deux cas c’est le modèle ANFIS

Tableau VI. 6:Performances de RNA et ANFIS obtenus à l'échelle journalière (un seule paramètre d'entrée)

Critère
NASH RMSE R
Modèle
RNA 70.85 2.0515 0.82
ANFIS 84.1 1.91 0,85

Tableau VI. 7:Performances de RNA et ANFIS obtenus à l'échelle mensuelle (deux paramètres d'entrée)

Critère
NASH RMSE R
Modèle
RNA 87.8 1.912 0.85
ANFIS 89.2 1.61 0.90

VI.6. Etude des relations débits liquides-débits solides :

Après le choix du modèle optimal pour la modélisation de la relation débit solide-débit liquide, On
essaye dans cette étape de décrire des relations débits liquides-débits solides, à différentes échelles
temporelles dans le but de quantifier les apports solides et prévoir l’érosion spécifique de la station
étudiée (St : Belloua).

Nous représentons l’ensembles de couple de données pour la station étudiée avec le modèle ANFIS avec
deux entrés (64 règle floue).

P a g e 122
 Débits solides simulés - débits liquides.
60
y = 0,0684x + 0,1441
50 R² = 0,85

40
Qs sim (kg/s)

30

20

10

0
0 100 200 300 400 500 600 700 800
Ql (m3/s)

Figure VI. 11: Relation entre les débits solides et les débits liquides instantanés de 1990-1999

L’analyse graphique de la figure (VI.11) , montre une bonne corrélation en polynomial liant le débit
solide en suspension aux débits liquides, les points du nuage obtenus sont alignes autour de la droite de
régression.

VI.7. Estimation des apports solides :

Dans le cadre d’évaluer les apports solides au niveau de la station hydrométrique « Belloua », on
d’appliquer la relation développée dans la partie ci-dessus. C’est-à-dire, à partir des débits solides
moyens journalier simulés on estimera les apports solides mensuelles et annuelles par la relation
suivante :
As (m, an) =Qs (m, a) *T
Avec :
T : le temps par mois ou par année
Qs(m,an) :le débit solide en kg/s (mensuelle ;annuelle )
As (m, an) : Apport solide en Tonne

P a g e 123
 Tableau VI. 8:Répartition mensuelle et annuelle des apports solides en suspension (en tonnes) ;St : Belloua

As (Mil
sept oct nov déc janv fev mars avril mai juin juil Aout
Tonne)
1990-

16134 16134 0 223494 15867 16134 16134 16134 16134 582 16134 582 97,70
1991

13126 27935 13497 145947 32290 0 55776 12525 14327 713 1069 1091 117,79
1992

13963 14488 12872 135645 122798 14123 17338 311544 21629 1393 1756 0 490,58
1993

12818 14124 14160 254711 218725 13091 25969 21325 13045 419 0 324 292,90
1994

17823 20007 9268 363826 56456 22532 14179 14206 14728 792 5950 0 128,84
1995

2158 0 1993 262025 92756 17947 462714 14178 13090 180 714 389 601,97
1996

1633 6028 0 223549 34448 98718 18842 14810 18135 1378 296 544 187,17
1997

21283 30298 424401 472823 25326 12860 14395 15379 15184 1120 1507 583 86,35
1998

10325 9651 23368 428702 29485 174978 48349 266576 522665 1754 2128 1899 1047,83

VI.6.1. Echelle mensuelle:

La figure (VI.12) illustre une grande variation temporelle et spatiale du transport solide. Une quantité
significative de sédiments se fait au mois de décembre qui est dû à l’agressivité climatique des
précipitations importantes durant ce mois, par contre, le mois d’Aout représente la faible partie du
transport solide à cause des faibles débits liquides dans le cours d’eau.

P a g e 124
 Répartition mensuelle des apports solides
(Milliers de tonnes);St:Belloua
300

250

200
Apport solide ( Mil tonne )

150

100

50

0
sept oct nov déc janv fev mars avril mais juin juil Aout
mois

Figure VI. 12:Répartition mensuelle des apports solides en suspension (St : Belloua)

VI.6.2. Echelle saisonaire:

Nous remarquons dans la figure (VI.13) que l’hiver est caractérisé par une concentrations élevés des
sédiments en suspension a que les débits liquides assez importants. En automne, le sol est sec car les
écoulements en été sont très assez modeste qui engendre un transport sédimentaire assez important.
Pendant le printemps, nous constatons une diminution des apports solide qui est dû à l’humification du
sol et le renforcement de la végétation.
Finalement, le transport sédimentaire en été est très faible du fait que les précipitations sont quasiment
nulles.

éte
printemps
1% 12%
autome
32%

hiver
55%

printemps hiver autome éte

Figure VI. 13:Répartition saisonnière des apports solides 1990-1998 (St : Belloua)

P a g e 125
VI.6.3. Echelle annuelle :

La figure (VI.14), montre la variation interannuelle des apports solides .il est clairement visible que
durant l’année 1998, on a enregistré près de 12 millions de Tonnes avec une précipitions moyenne
annuels de 1200 mm. On note alors que le caractère agressif des précipitations favorise un apport solide
important.

1200,00
Apport solide (mil tonnes)

1000,00

800,00

600,00

400,00

200,00

0,00
1990 1991 1992 1993 1994 1995 1996 1997 1998
Années

Figure VI. 14:Répartition interannuelle des apports solides (St :Belloua)

VI.8. Estimation de la dégradation spécifique :

Partir des apports solides As (t), on peut déterminer la dégradation spécifique :
Es = As/S
Avec :
S : la surface drainée du bassin-versant (km2)
Es : la dégradation spécifique (t/km2/an)
As : l’apport solide (t /an)
Tableau VI. 9 : Répartitions annuelles des dégradations spécifiques en (t/km2/an) ;( St : Belloua )

Es
Pluie As (Mil
Années (Mil tonne/km2/an)
(mm) Tonne)

1990 636,8 97,70 0,32

1991 684,7 117,79 0,39
1992 581,8 490,58 1,61
1993 497,8 292,90 0,96
1994 787,3 128,84 0,42
1995 796,4 601,97 1,98
1996 432,4 187,17 0,62
1997 637.6 86,35 0,28
1998 1057,2 1047,83 3,45

P a g e 126
On constate de l’analyse du tableau précédent que l’action érosive est différente d’une année à l’autre.
De 0.28 à 3.45 Mil t/km2/an. On remarque aussi que, pour deux années recevant presque la même
quantité de pluie, la charge en suspension peut être différente. Durant l’année 1996, on a calculé 187000
tonnes pour une précipitation de 432.6 mm alors qu’en 1990, on a calculé 292900 tonnes pour presque la
même quantité de précipitations (497.8mm).

En effet la dégradation est surtout appréciable de faite que la zone est caractérisée par un couvert végétal
très dégradé et n’occupe que 19% (soit 55.025 ha) de la surface totale, de pentes importantes quand la
géologie le permet, ainsi que les autres paramètres qui influent sur le phénomène, ce qui favorise le
phénomène d’érosion.

VI.9. Conclusion :
Ce travail a été effectué dans le but de modélisé la relation débit liquide-débit solide et prévoir
L’apport solide à l’aide de deux méthodes précises qui sont : la méthode des réseaux de neurones
(RNA) et le modèle neurone-floue « ANFIS ».

Le modèle ANFIS est très robuste et efficace pour la prévision des débits solides à l’échelle journalière
par rapport au modèle RNA. Nous avons également montré que l'utilisation de précipitations comme
entrés est très efficace ce qui déjà prouver dans la littérature.

Dans une seconde partie, l’évaluation des apports solides fondée sur les résultats obtenus par la
modélisation de la relations débit liquide – débit solide semble acceptable pour la quantification des
apports solides à partir des données observées des débits liquides. La dégradation spécifique moyenne
estimé pour la station Belloua est de l’ordre de 10,03 t/km²/an.

P a g e 127
Conclusion
Générale
 Conclusion générale

Conclusion Générale

L’effet du réchauffement et changement climatique de la terre ne fait qu’accroitre par l’apparitio n des
évènements météorologiques extrêmes. A cet égard, les scientifiques, les décideurs et gouverneme nts
nécessitent d’une base de données climatologique et hydrogéologique pour comprendre la nature des
changements et des défis auxquels ils doivent faire face.
L’hétérogénéité spatio-temporelle dans le bassin versant, explique en partie l’existence des problèmes
concrets sur la prévision et l’anticipation des données hydrologiques dans des endroits non jaugés. La réponse
de l'hydrologue s'appuyait sur l’application de modèles numériques pour simplifier cette complexité et
l’exploitation d’informations climatologiques manquantes.
Dans cet esprit, notre thèse s’articule sur une modélisation stochastique de deux processus hydrologiques
responsables de la génération des débits liquides en fonction des paramètres métrologiq ues et la
transformation des débits liquides en débits solides à l'échelle du bassin versant Sébaou.
La modélisation pluie-débit met en évidence l’estimation ou la prévision des débits pour l’application
désirée. Pour ce faire, nous allons appliquer les deux modèles RNA et ANFIS sur la station « Freha » du
bassin versant Sébaou à différents pas de temps (mensuel et journalier). Les résultats obtenus à l’échelle
mensuelle, ont connu une véritable prolifération avec la disponibilité de données hydrométéorologiques par
rapport à celle des données journalières. Les modèles neuronaux ne donnent pas une simulation correcte du
processus pluie-débit par rapport aux modèle neurone-flou « ANFIS ». Ces résultats encourageants ouvrent un
certain nombre de perspectives sur l’échelle journaliers, où il serait intéressant de tester le modèle neurone-flou
avec les données hydroclimatiques dans le but de simplifier la complexité du phénomène.
La simplification de la relation débit liquide-débit solide, nous permettent de décrire et de quantifier
le taux du transport solide en Algérie. De ce fait, nous avons testés les deux modèles neuronale et neurone-
flou pour le cas de la station « Belloula » sur l’échelle journaliers. Cette étude a indiqué que le système hybride
neuro-floue est une meilleure technique ainsi pour la génération de débit solide et pourrait être utilisée pour une
bonne gestion de l’eau. Nous avons utilisé les précipitations moyennes journaliers comme paramètres
climatologiques pour expliquer la variance de débit solide d’où les résultats obtenus montrent des valeurs très
rapprochés entre le débit simulé et le débit observé pour les deux modèle stochastique (RNA et ANFIS). Ce
travail doit être complété par une étude, en introduisant les précipitations instantanées pour mieux cerner
l’influence de l’agressivité climatique sur l’érosion et le transport solide.

P a g e 128
 Conclusion générale

En dépit des résultats obtenus, on peut conclure que le modèle hybride « neurone-flou » représente une
technique très puissante vu son aptitude à décomposé la complexité d’un phénomène en processus plus
simple, en ajoutant les facteurs qui influent directement sur le processus hydrologique.
.

P a g e 129
Bibliographie
 Référence bibliographique

Référence bibliographique

A. El Mahi, M. Meddi, et J. P. Bravard, « Analyse du transport solide en suspension dans le bassin versant de
Abd el hadi Ammari, « Vulnérabilité à l’Envasement des Barrages (cas du bassin Hydrographique des Côtiers Algérois) »,
biskra, 2012.

Ambroise, « Génèse des débits dans les petits bassins versants ruraux en milieu tempéré : 2 - Modélisation systémique et
dynamique », Revue des sciences de l’eau, vol. 12, no 1, p. 125, 1999.

B. Kouame, E. Servat, et A. Dezetter, « Modélisation de la relation pluie-débit et estimation des apports en eau en Côte
d’Ivoire », p. 94.

M. Bartoletti, F. Casagli, S. Marsili-Libelli, A. Nardi, et L. Palandri, « Data-driven rainfall/runoff modelling based on a

neuro-fuzzy inference system », Environmental Modelling & Software, vol. 106, p. 35‑47, août 2018.
Benkaci A. T. et Dechemi N. (2004) ‘Modélisation pluie–débit journalière par des modèles conceptuels et
« boîte noire »; test d’un modèle neuroflou’ Hydrological Sciences Journal, Vol. 49 No. 5, pp null-930.
Bouanani A. 2005, Hydrologie, Transport Solide et Modélisation, Etude de quelques
B. Chayma,« MODELISATION DE L’EROSION HYDRIQUE PAR LE MODELE SEAGIS. CAS DU BASSIN
VERSANT DU BARRAGE SILIANA », p. 94.
Chebbani R., Djilli K., Roose E., 1999. Étude des risques d’érosion dans le bassin
Degoutte, G., 2006. Aide mémoire d’hydraulique a surface libre, Edition ENGREF.
exemples Algériens. Revue Techniques Sciences Méthodes. 4 :55-62.
Foster, G.R. and Meyer, L.D. (1972) A Closed-Form Soil Erosion Equation for Upland Areas In:
Shen, H.W., Ed., Proceeding of Sedimentation Symposium to Honor Prof. H. A. Einstein, Vol. 12,
Colorado State University, Fort Collins, 1-19.

H. Belarbi, B. Touaibia, N. Boumechra, S. Amiar, et N. Baghli, « Sécheresse et modification de la relation pluie– débit: cas
du bassin versant de l’Oued Sebdou (Algérie Occidentale) », Hydrological Sciences Journal, p. 1‑13, sept. 2016.
Hao Yu and B. M. Wilamowski, (2011) ‘Levenberg–Marquardt Trainin’ Industrial Electronics
Handbook, vol. 5 – Intelligent Systems, 2nd Edition, chapter 12, pp. 12-1 to 12-15, CRC Press.
He, Z., X. Wen, et al. (2014) ‘A comparative study of artificial neural network, adaptive neuro fuzzy
inference system and support vector machine for forecasting river flow in the semiarid mountain region."
Journal of Hydrology, No. 509, pp. 379-386.
Hsu, K. Gupta, H. V. and Sorooshian, S. (1995) ‘Artificial Neural Network Modeling of the Rainfall-
Runoff Process’ Water [Link], Vol. 31 No. 10, pp. 2517-2530.
l’Oued El Hammam (Algérie du Nord) », Hydrological Sciences Journal, vol. 57, no 8, p. 1642‑1661, nov. 2012.
Laborde J.P., 2003. Hydrologie de surface. ANRH/Alger.
Leguédois,2003 ,Mécanismes de l'érosion diffuse des sols : modélisation du transfert et de l'évolution
granulométrique des fragments de terre érodés / par Sophie Leguédois ; [sous la dir. d'] Yves Le

P a g e 130
 Référence bibliographique

Bissonnais,... / [S.l.] : [s.n.] , 2003

Li et Du - 2017 - Artificial intelligence with [Link] .
Magister 2008 HADJOU [Link] .
Marquardt, D. W. (1963). ‘An Algorithm for least-squares estimation of nonlinear parameters’, J. Soc. Indust. [Link], Vol.
11 No. 2, pp. 431-441 ».
McCulloch, W. and Pitts, W. (1943) ‘A logical calculus of the ideas immanent in nervous activity’ Bulletin of Mathematical
Biophysics, Vol. 5 No. 4, pp. 115–133 ».
Meddi M., Khaldi A., Meddi H., 1998, Contribution à l’étude du transport solide en
MESURE DE DEBITS LIQUIDES MESURE DE DEBITS SOLIDES », p. 87.
Minsky M., Papert S. (1969) ‘Perceptrons’ MIT Press, Cambridge, MA ».
modeling approaches: GR4J and IHACRES, Proceedings of the Prague Conference (22-24
Mussy, A.,2002. Cours d’hydrologie générale. EPF Lausanne,
Musy, A., Higy, C., 1998. Hydrologie Appliquée. EPF Lausanne.
N. Chkir, « Mise au point d’un modèle hydrologique conceptuel intégrant l’état hydrique du sol dans la
modélisation pluie-débit », p. 348, 1994.

N. N. Ghellai, M. A. Bouanani, M. D. Boudjemline, M. A. Ghenim, et M. K. Baba-Hamed, « Hydrologie Et

Modélisation Pluie-Débit : Cas du bassin versant de L’Oued Boumessaoud (Tafna NW-algérien) », p. 121.
Nash, J. E. and Sutcliffe, J. V. (1970) ‘River flow forecasting through conceptual models part I - A discussion of principles’,
Journal of Hydrology, Vol. 10 No. 3, pp. 282-290. »
Nash, J.E. et Sutcliffe, J.V. (1970). River flow forecasting through conceptual models. Part I
P. Coulibaly, « Prévision hydrologique par réseaux de neurones artificiels : état de l’art », vol. 26, p. 12, 1999.
P. E. Kneale, « Principles of hydrology (3rd edition), R. C. Ward and M. Robinson, McGraw-Hill, 1989 ISBN 0-07- 707204-
9 », Earth Surface Processes and Landforms, vol. 16, no 3, p. 283‑283, mai 1991.
Perrin, C, Littlewood, I, G.( 2000).A comparative assessment of two rainfall-runoff
R. Moussa, « Modélisation hydrologique spatialisée et système d’information géographique », La Houille Blanche, no
5, p. 293‑302, août 1993.
Référence bibliographique
Remini B., 1999. Les conséquences de l’envasement des barrages : quelques
Segond M. L., Neokleous N., Makropoulos C., Onof C.& Maksimovic C. (2007) ‘Simulation and spatio-temporal
disaggregation of multi-site rainfall data for urban drainage applications’ Hydrological Sciences, Vol.52 No. 2, pp. 917-935 ».
September, 1998), IHP-V, Technical Documents in Hydrology, UNESCO, Paris, (in press).
Shoaib, M., Shamseldin, A. Y., Melville, B. W., & Khan, M. M. (2014) ‘Hybrid Wavelet Neuro-Fuzzy
Approach for Rainfall-Runoff Modeling’ Journal of Computing in Civil Engineering, Vol. 30 No. 1,
04014125. sous bassins de la Tafna (NW- Algérie). Thèse de Doctorat. Université de Tlemcen.
T. B. Ali et N. Dechemi, « Modélisation pluie–débit journalière par des modèles conceptuels et ȁboîte noireȁ; test d’un modèle

P a g e 131
 Référence bibliographique

neuroflou / Daily rainfall–runoff modelling using conceptual and black box models; testing a neuro-fuzzy model »,
Hydrological Sciences Journal, vol. 49, no 5, oct. 2004.

A. Tahiri, D. Ladeveze, P. Chiron, et B. Archimede, « Improving the characterization of initial conditions for
streamflow prediction using a precipitation reconstruction algorithm », IFAC-PapersOnLine, vol. 51, no 5, p. 19‑ 24, 2018.

Takagi, T. & Sugeno, M. (1985) ‘Fuzzy identification of systems and its applications to modeling and control’,
Proceedings of the IEEE Transactions on Systems, Man and Cybernetics, Vol. 15, pp. 116–132 ».
C. Tayeb, « Thèse de doctorat Contribution dans la modélisation de la relation pluie-débits », p. 162.
Touaïbia.B., 2000. Erosion-Transport solide-Envasement des barrages. Cas du bassin
Touazi M. Laborde J.P, 2004, Modélisation Pluie- Débit à l’échelle annuelle en versant de l’Isser.
Algérie. Bulletin Réseau Erosion. 19.85-95. versant de l’oued Mina. Thèse de doctorat. INA. Algérie.
Y. Hundecha, A. Bardossy, et H.-W. Werner, « Development of a fuzzy logic-based rainfall-runoff model », Hydrological
Sciences Journal, vol. 46, no 3, p. 363‑376, juin 2001.
Yapo, P. O., Gupta, H. V., Sorooshian, S. (1998) ‘Multi-objective global optimization for hydrologic
models’ J. Hydrol. Vol. 204 No 1-4, pp. 83–97
Zakhrouf M., Chettih M., Mesbah M. (2014) ‘Adaptive neural fuzzy inference systems for the daily flow forecast in Algerian
coastal basins’ Desalination and Water Treatment, Vol. 52 No. 10-12, pp. 2131-2138 ».

P a g e 132