République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université de Ghardaïa
Faculté des Sciences et Technologies
Département d’Hydraulique et Génie Civil

Mémoire présenté en vue de l'obtention du diplôme de

MASTER
Filière : Hydraulique
Spécialité : Hydraulique urbaine
Par :
Elhadj Brahim DAHOU
Bouhafs HADJ MATALLAH

Thème
Estimation des données manquante de
pluie par différentes approches

Soutenu publiquement le 26/06/2019

Devant le jury :

Nom et prénom AZZOUZ Fatima Zohra Grade MAA Université Ghardaïa Président
Nom et prénom BOUTALI Med Hicham Grade MAA Université Ghardaïa Examinateur
Nom et prénom MECHRI Bachir Grade MAA Université Ghardaïa Examinateur
Nom et prénom BOULMAIZ Tayeb Grade MCB Université Ghardaïa Encadreur

Année universitaire 2018/2019 N° d’ordre :

N° de série :
 Remerciements
Tout d'abord, remercier le bon Dieu pour sa compassion et sa gratitude.
Un remerciement spécial pour mon encadreur T. BOULMAIZ, pour la
confiance qu’il nous a toujours témoignée, ses précieuses indications et sa
grande patience pour communiquer des informations.
Nos sincères remerciements à tous les professeurs qui ont contribué à la
formation tout au long de notre parcours et à tous les professeurs
hydrauliques
Tous les professeurs qui ont donné de leur savoir.
Nous remercions l'ensemble du personnel de la Faculté des Sciences et
Technologies Département d’Hydraulique de Université Ghardaïa.
Nous tenons à remercier les membres de jury qui ont accepté de juger
notre travail.
Notre sincère gratitude va vers tout ce qui ont participé de près ou de
loin de réaliser ce travail.

HADJ MATALLAH.B et DAHOU.H.B

 Je dédier ce modeste travail en signe de respect et de
reconnaissance à :
La mémoire de mes mère et père, que Dieu leur fasse
miséricorde.
Toutes mes sœurs ainsi que frères, avec tous leurs enfants, du
plus petit au plus grand
À ma femme et ma partenaire
À mes enfants
Toute la famille HADJ MATALLAH sans
exception
Toute mes amis
Toute personne qui a aidéde près ou de loin àla réalisation de ce
mo5deste travail

Bouhafs HADJ MATALLAH

 Dédicaces
Je dédie ce mémoire à :
ceux qui m’ont connue de prés ou de loin.
A ceux qui ont souffert pour moi et qui ont sacrifiee leur
temps corps et àme pour m’offrir un miulieu favorable
pour ma croissance morale.
Ma mère –Mon Père.
Qui m’ont Soutenu et m’ont véillé à mon éducation.
Ama chère Sœur Wahiba.
A Mes Frères :
- Djamel-Eddine
- Nacre-ddine
- Abdelkader.
A l’encadrement :
-Tayeb Boulamaiz.
- Atoute ma grande famille
A mes chères très fidèles.
A ceux qui m’ont connu de près ou de loin.
-

Elhadj Brahime DAHOU

 Table des matières
Remercieme…………………………………………..………………………..…………....I
Dédicace………………………………………..………………………………..………....II
Sommaire…………………………………………..…..………………………..………....III
Liste des abréviations………………………...………………..……………..………....IV
Liste des tableaux…………………………………………..…………………..………....V
Liste des figure…………………………………………..…………………..…………....VI
INTRODUCTION GENERALE…………………………………………………....a-b
Chapitre I : Généralités
I.1 Introduction.......................................................................................................................... 2

I.2 Définition de la précipitation…………………………………………………………...…2

I.3 Différente forme de la pluie :............................................................................................... 2

I.3.1 Formation de la Précipitation : ..................................................................................... 3

I.3.2 Classification des précipitations : ................................................................................. 3

I.3.2.1 Les précipitations convectives :............................................................................. 4

I.3.2.2 Les précipitations orographiques :......................................................................... 4

I.3.2.3 Les précipitations frontales (ou de type cyclonique) : ........................................... 5

I.4 Les type des pluviomètres ................................................................................................... 5

I.4.1 Les pluviomètres non enregistreurs ............................................................................... 5

I.4.2 Pluviomètre enregistreur ................................................................................................ 5

I.4.3 Les types des pluviomètres enregistreurs....................................................................... 5

I.5 Moyen de mesure de la précipitation : ................................................................................. 6

I.6 Les causes de ce manque de données : .............................................................................. 10

I.7 Caractéristiques climatiques .............................................................................................. 10

I.7.1 les radiations solaires .................................................................................................. 11

I.7.2 la température de l’air : ............................................................................................... 11

I.7.3 L’humidité de l’air : .................................................................................................... 11

 I.7.4 Les vents : ................................................................................................................... 11

I.7.5 L’humidité relative de l’air : ....................................................................................... 11

I.8 CONCLUSION : ............................................................................................................... 11

Chapitre II : Méthodes et matérielle de comblement de lacune

II.1 Introduction: ...................................................................................................................... 12

II.2 Types de méthode : ............................................................................................................ 12

II.2.1 La moyenne arithmétique simple : ................................................................................ 12

II.2.2 L’interpolation inverse de distance(IDW) : .................................................................. 12

II.2.3 L’analyse de régression multiple : ................................................................................ 13

II.2.4 Le krigeage universel : .................................................................................................. 13

II.2.4.1 Origine de la méthode : ....................................................................................... 14

II.2.4.2 Principe : .............................................................................................................. 14

II.2.5 Les réseaux de neurones artificiels : ............................................................................. 14

II.2.5.1 Les réseaux de neurones artificiels : .................................................................... 14

II.2.5.2 Historique des RNA : .......................................................................................... 14

II.[Link] Neurone biologique : .................................................................................... 15

II.[Link] Neurone formel :........................................................................................... 16

II.3 Matérielle : ...................................................................................................................... 18

II.3.1 Présentation du logiciel R : ........................................................................................... 18

II.3.2 Présentation du package «mice» version 3.5.0: ............................................................ 18

II.3.2.1 Détails .................................................................................................................. 18

II.3.2.2 norm. predict: ...................................................................................................... 19

II.3.2.3 Mean : .................................................................................................................. 19

II.3.3 Présentation de l’ecron Rstudio .................................................................................... 19

II.3.4 Présentation Matlab (R 2013a) ..................................................................................... 21

II.4 Conclusion : ......... …………………………………………………………………….21

Chapitre III : Zone d’étude et base des donne

III.1 Introduction: .................................................................................................................... 24

III.2 Situation géographique: ................................................................................................... 24

III.3 Relief : ............................................................................................................................. 26

III.4 Analyse des donnée : ....................................................................................................... 28

III.4.1 Choix des stations des mesures ................................................................................ 28

III.4.2 Représentation mensuelles des précipitations. ......................................................... 30

III.4.3 Représentation annuelles des précipitations ............................................................. 33

III.4.4 La température : ....................................................................................................... 34

III.5 Conclusion: ...................................................................................................................... 35

Chapitre IV : Application et comparaison entre les différentes approches

IV.1 Introduction ................................................................................... ……………..……….37

IV.2 Les critères d’efficacité: .................................................................................................. 37

IV.3 Application de La moyenne arithmétique simple : ......................................................... 38

IV.4 Application l’interpolation inverse de distance(IDW) : .................................................. 40

IV.5 Les réseaux de neurones artificiels (RNA) : ................................................................... 42

IV.6 Résultat Histogramme du logiciel R avec package «Mean» : ......................................... 44

IV.6.1 Comparaison de Critères de performances pour le quatre méthode …………….……47

IV.7 Conclusion : ..................................................................................................................... 48

CONCLUSION GENERALE................................................................................................. 50

REFERENCES BIBLIOGRAPHIE

ANNEXE

Résumé
 LISTE DE FIGURE
Chapitre I
Figure 1 Pluviomètres manuel (2) ............................................................................................. 7
Figure 2 : Les pluviomètres optiques (1) .................................................................................... 7
Figure 3 Pluviographe enregistreurs (2) ..................................................................................... 8
Figure 4 - Les pluviomètres à auget basculeur (1)...................................................................... 9
Figure 5 radar météorologique .................................................................................................. 10

Chapitre II

Figure 1 Schéma d’un neurone biologique (Parizeau, 2004).................................................... 15

Figure 2 Un neurone formel (Wira, 2009) ................................................................................ 17
Figure 3 l’écran RStudio ........................................................................................................... 20
Figure 4 …………………………. ........................................................................................... 22

Chapitre III

Figure (1) carte de situation géographique de la zone d’étude…………………………….…25

Figure (2) Localisation du sous bassin (1406) par rapport au bassin de la Seybous ............... 26

Figure (3) Relief et talwegs du sous bassin (1406) ................................................................... 27

Figure (4) Localisation des stations pluviométrique (140605-140606-140607-140609) ......... 29

Figure (5) la variation des précipitations moyen mensuelles pour les stations ....................... 32

Figure(6)la variation des précipitations annuelles pour les station(140605-140606-140607-

140609) ..................................................................................................................................... 33

Figure (7) variations des températures moyennes mensuelles.................................................. 35

 Chapitre IV

Figure (1) Nuage de point des pluies mesurées et estimées par la méthode des moyennes
arithmétiques………………………………………………………………………………….39
Figure (2) Nuage de point des pluies mesurées et estimées par l’interpolation inverse de
distance(IDW)…………………………………………………………………….….……….41
Figure (3) Nuage de point des pluies mesurées et estimées par de réseaux de neurones
artificiels (RNA)……………………………………………………………….……………..43
Figure (4) Nuage de point des pluies mesurées et estimées par « Mean » ………...…….….45
Figure (5) Comparaison de Critères de performances (RMSE) entre le quatre méthode….....47
Figure (6) Comparaison de critères d’efficacité (R²) entre le quatre méthode………..……..48
 LISTE DES TABLEAUX
Chapitre III
Tableau (1) les Stations pluviométriques (à partir de MNT) ............................................... …28

Tableau (2) précipitations mensuelles des station pluviométrique (2004 -2006). .................... 30

Tableau (3) précipitations mensuelles des station pluviométrique (2007 -2008). .................... 31

Tableau (4) précipitations annuelles des station pluviométrique (2004 -2008)....................... 33

Tableau (5) Températures moyennes mensuelles en °C à station de d’Annaba (2004-2008) .. 34

Chapitre IV

Tableau (1) critères de performances « moyenne arithmétique »............................................. 40

Tableau (2) critères de performances « l’interpolation inverse de distance(IDW) »................ 42

Tableau (3) les critères de performance « réseaux de neurones artificiels (RNA) » ............... 44

Tableau (4) Critères de performances de résultat « Mean » ..................................................... 46

Tableau (5) Résultat de Critères de performances de quatre méthode……………..…………47

 LISTE DES ABREVIATIONS
SIG : Système d’information géographique.
PID : Pondération Inverse à la Distance
IDW : Inverse Distance Weighting (interpolation inverse de distance)
RNA : Réseaux de Neurones Artificiels
ANRH : Agence Nationale Des Ressources Hydrauliques

PMC : Perceptrons Multicouches

MNT : Modèle Numérique Terrain
DEM : Anglais Digital Elevation Model
Min : Minimum
Moy : Moyenne
Max : Maximum
m : mètre
P : Pluie
ST : Station
°C : Degré Celsius
RMSE : Racine de l’erreur quadratique moyenne
BAIS : reflète le degré auquel la valeur mesurée est surestimée ou sous-estimée
R² : coefficient de détermination
mm :millimètre
h : heure (m)
H : hauteur
V :volume
S : surface
 INTRODUCTION GENERALE
Toute étude hydrologique est basée sur l'exploitation de séries de données recueillies
pendant des périodes plus ou moins longues continues ou discontinues. Les méthodes
statistiques d'analyse de ces séries exigent de celles-ci une homogénéité de leurs composants.

Les différentes méthodes et outils de mesure des précipitations sont nombreux et permettent
d'assurer une mesure correcte et continue de la chute tout au long du cycle annuel. Cependant,
il peut arriver à trouver des lacunes dans les données et pour plusieurs raisons, notamment les
erreurs accidentelles et aléatoires et les erreurs systématiques.

La prévision des preuves manquantes dans les lectures des stations de surveillance des
précipitations est très importante. Il est donc important de connaître certains moyens de faciliter
le processus statistique.

Le problématique est le suivant : quelles sont les méthodes d’estimation permettant de

calculer les données de précipitations manquantes ?

Le but de ce mémoire est d'examiner certaines méthodes très utilisées dans la littérature et
de comparer les résultats de leurs performances dans le comblement de lacunes. Ces
performances sont évaluées à travers plusieurs critère d’efficacité. Les séries de données seront
traitées (comblement de lacunes) après que certaines données aient été volontairement
supprimées pour comparer les résultats calculés et réels.

Le secteur d’étude est un sous bassin versant de la Seybouse de l’Est Algérien (14 06) qui
est le lieu de naissance de plusieurs recherches, études et travaux scientifiques, et c’est une
région caractérisée par plusieurs conditions physiographiques, hydro climatiques et
environnementales. Il couvre au total environ de 16.47 % de la superficie de grand bassin
versant de la Seybouse, il s’étend entre les longitudes 7° 53', 7° 26', de latitude 36° 56', 36° 24’.

Le mémoire est structuré en quatre parties :

Le premier chapitre traite des généralités sur la pluie et ses types, en faisant référence à certains
d’équipements utilisés pour mesurer les précipitations sur le sol, et explique les lacunes dans
les données de mesure et les caractéristiques climatiques.

Dans le deuxième chapitre, une gamme de méthodes mathématiques et statistiques ainsi que
certains outils utilisés pour calculer et estimer les lacunes dans les données ont été présentés.

a
Le troisième chapitre consiste en une étude et une analyse de la zone d'étude et des données
utilisées dans ce cas.

Sous le titre « Application et comparaison entre les différentes approches », le quatrième

chapitre a été créé. Nous avons discuté des résultats obtenus avec l'utilisation de chaque
méthode, puis comparé les résultats obtenus avec les données ARNH. En calculant les critères
de performances.

Enfin, Ce travail sera achevé par des conclusions générales et une série de recommandations
proposées à la lumière de l’étude réalisée ainsi qu’aux problèmes rencontrés.

b
Chapitre I: Généralités
Chapitre I: Généralités

I.1 Introduction

Ce chapitre est organisé comme un suivi : une section pour déterminer la pluviosité avec
différents types et méthodes de formation et divers moyens de mesure manuelle et
automatisées des stations pour la mesure de la pluviosité.
I.2 Définition de la précipitation.

On englobe sous le terme de précipitation, toutes les eaux météoriques qui tombent à la
surface de la terre, tant sous forme liquide (pluie, bruine) que solide (neige, grêle, grésil).

D’un point de vue physique, la pluie peut être définie comme des gouttes d’eau d’un
diamètre variant entre 0,5 et 5 mm, tombant ou non sur le sol (reprise par l’évaporation ou par
les mouvements de l’atmosphère) [3].

La précipitation est caractérisée par leur quantité et leur régime pendant les temps et dans
l’espace, la quantité de pluie disponible est un facteur important, il est donc nécessaire de
connaitre ses variations spatiotemporelles dans les stations pluviométrique. [1]

I.3 Différente forme de la pluie :

Tout produit de condensation de vapeur d'eau atmosphérique formé à l'air libre ou à la

surface de la terre est un hydrométéore. L’hydrologue est principalement intéressé par les
précipitations . [3]
- Bruine est constitué de minuscules gouttelettes d'eau liquide, dont le diamètre est
généralement compris entre 0,1 et 0,5 mm, avec de telles vitesses de décantation lente que
parfois ils semblent flotter. Elles tombent habituellement de stratus bas et dépassent rarement
1 mm / h.

- Pluie est constituée d'eau liquide dont le diamètre dépasse essentiellement 0,5 mm.
Ces précipitations se réfèrent généralement à des quantités de précipitations liquides

- Vernis est la couche de glace, généralement claire et lisse, formé sur les surfaces
exposées par le gel de l'eau en surfusion déposée par la pluie ou de la bruine. Sa densité peut
être aussi élevée que 0,8 à 0,9.

2
Chapitre I: Généralités

- Givre est un dépôt blanc opaque de granules de glace plus ou moins séparées par l'air
emprisonné et formées par la congélation rapide de l'eau en surfusion des gouttes tombant sur
les objets exposés. Sa densité peut être aussi faible que 0,2 à 0,3.

- La neige est composée de cristaux de glace, principalement dans le complexe,

ramifié forme hexagonale, et souvent agglomérés en flocons de neige, qui peuvent atteindre
plusieurs centimètres de diamètre. La hauteur de la neige fraîchement tombée est très variable,
125 à 500 mm de neige est équivalent environ 25 mm d'eau liquide. La densité moyenne
(poids spécifique) est souvent supposée être de 0,1.

- La grêle est une précipitation sous forme de billes de glace, produites dans les nuages
convectifs, la plupart du temps cumulonimbus. Les grêlons peuvent être sphéroïdale, conique,
ou de forme irrégulière, et la gamme allant d'environ 5 à plus de 125 mm de diamètre. Elles
sont généralement constituées d'une alternance de couches de vernis et de Givre, et leur masse
volumique est d'environ 0,8.

- Grésil se compose de transparents, globulaires, des grains solides de glace formée

par la congélation de gouttes de pluie ou de regel de cristaux de glace presque entièrement
fondus tombant à travers une couche de congélation secondaire d’air près de la surface de la
terre . [3]

I.3.1 Formation de la Précipitation :

Durant son ascension dans l'atmosphère, la vapeur d'eau se refroidit et finit par se
condenser, généralement autour de minuscules particules de poussière dans l'atmosphère. En
se condensant, elle redevient liquide ou passe directement à l'état solide (glace, grêle ou
neige). Ces particules d'eau s'assemblent pour former des nuages. Les précipitations sous
forme de pluie, de neige et de grêle proviennent des nuages. Ces derniers tournent autour de
la Terre grâce à l'action des courants atmosphériques. Par exemple, lorsqu'ils s'élèvent au-
dessus de chaînes de montagnes, les nuages se refroidissent et deviennent tellement saturés de
gouttelettes d'eau que ces dernières commencent à tomber en pluie, en grêle ou en neige,
selon la température de l'air ambiant. Une partie de l’eau précipitée retourne vers
l’atmosphère par le phénomène d’évaporation . [3]

I.3.2 Classification des précipitations :

Sur la base des phénomènes météorologiques qui leur donnent naissance, ou qui les
accompagnent, on peut diviser les précipitations en trois classes :

3
Chapitre I: Généralités

1. Précipitations orographiques

2. Précipitations de convection

3. Précipitations cycloniques ou fractales (front chauds ou froids, lignes d’occlusion etc.).

I.3.2.1 Les précipitations convectives :

Lorsque par temps calme, l’air saturé ou non, au voisinage du sol est chauffé par les
radiations solaires (directement mais surtout indirectement par réflexion sur le sol), il se
s’élève alors, car il subit des dilatations. Au cours de son ascension, il se refroidit et atteint un
niveau de condensation où se forment les nuages 1.

Si le mouvement de convection vertical initial est intense et se poursuit suffisamment

longtemps, le système nuageux ainsi formé peut atteindre une zone de température assez
basse pour déclencher la pluie. [1]

Des précipitations de convection surviennent également en zone tempérée et dans les

régions chaudes, à peu près uniquement sous forme d’orage d’été locaux et violents, mais tous
les orages ne proviennent pas de mécanismes convectifs . [3]

I.3.2.2 Les précipitations orographiques :

Lorsque les vents chargés d’humidité, soufflant généralement des océans vers les
terres, abordent une barrière montagneuse, ou passent de la zone d’influence d’une mer
relativement chaude à celle de vastes étendues de sol plus froid, les masses d’air humide ont
tendance à s’élever et la détente qui en résulte produit un refroidissement qui peut entretenir la
formation d’une couverture nuageuse et déclencher des précipitations. [1]

Ces précipitations, dites orographiques se présentent sous forme de pluie ou de neige

sur les versants au vent de la barrière montagneuse.

Par ailleurs, l’obstruction produite sur le trajet des masses d’air humide par un massif
montagneux engendre, sur le versant sous le vent, une zone de pluviosité relativement faible.
L’air descendant sur ce versant s’échauffe par compression et son humidité relative diminue
(effet de Fœhn), il peut même en résulter un régime de vents secs et chauds donnant naissance
à des zones semi-arides . [1]

4
Chapitre I: Généralités

I.3.2.3 Les précipitations frontales (ou de type cyclonique) :

Lorsque plusieurs masses d’air de propriétés différentes (température et humidité) se
rencontrent, les plus chaudes et les plus humides sont poussés vers les hautes altitudes où elles
se refroidissent et se condensent. Ce sont ces précipitations qui sont les plus importantes, les
plus longues, les plus étendues et les plus fréquentes dans nos climats tempérés. [1]

I.4 Les type des pluviomètres

I.4.1 Les pluviomètres non enregistreurs
N’importe quel récipient ouvert pourrait, en principe servir de pluviomètre, mais pour
permettre des observations précises et surtouts comparable entre elles, il est indispensable
d’utiliser des pluviomètres normalisés.
Toutefois, pour tirer le meilleur parti de pluviomètre de fortune que l’on est parfois conduit à
utiliser pour suppléer la rareté des stations officielles au cour d’analyse détaillée des grandes
averses , on tiendra compte des principes généraux suivants :
1)- l’ouverture de l’orifice du pluviomètre doit être bien horizontale.
2)- pour une bonne fiabilité de pluviomètre la hauteur est 1.5m
3)- l’action de l’air variable avec sa vitesse et la situation plus ou moins exposée du
pluviomètre qui la principe cause d’erreur dans la mesure des précipitations.
Exemple de ces pluviomètres :
--pluviomètre de « weather-bureau »
--pluviomètre « association » [13]
I.4.2 Pluviomètre enregistreur
Dans de nombreuses études hydrologiques (prévision d’un débit de crue par exemple), il
est indispensable de connaitre non seulement la hauteur totale de précipitation afférente à une
période
Calendaire assez longue (ajourner par exemple), mais aussi l’intensité (ou le débit) de ces
précipitations exprimées en mm par heure ou par minute, à chaque instant au cours d’une
averse.
On utilise à cet effet des pluviomètres enregistreurs, dont le style trace sur un diagramme
la courbe des hauteurs de précipitations cumulées en fonction du temps (ou un graphique
permettant de calculer celle-ci facilement).
I.4.3 Les types des pluviomètres enregistreurs
1)- pluviographe a augets basculeurs.

5
Chapitre I: Généralités

2)- pluviomètre R208 à augets basculeurs

3)- pluviographe a siphon.
4)- pluviomètre totalisateur
I.5 Moyen de mesure de la précipitation :
Le pluviomètre est un instrument de mesure qui sert à trouver la quantité de pluie
tombée sur une région. Tout récipient a parfois verticales peut servir comme appareil de
mesures des précipitations . [1]

La hauteur des précipitations qui atteint le sol pendant une période donnée est définie
comme l’épaisseur (lame d’eau) que celles-ci couvriraient sur un plan (surface) horizontal, s’il
n’y avait pas de perte par écoulement, infiltration et évaporation, et si les précipitations
solides fondaient sur place, c'est-à-dire que toutes les précipitations reçues par celle-ci s’y
trouvaient immobilisées . [3]

Si durant un certain intervalle de temps t, l’on récupéré un volume V à travers la

2
surface réceptrice S, la hauteur de la pluie H tombée est donnée par la formule suivante :
H(mm)=V/S

Dans le Système International d’Unités, la hauteur des précipitations est exprimée en

millimètres (mm). Quand 1 millimètre est dans le pluviomètre cela équivaut à un litre d’eau
au mètre carré . [3]
Il existe plusieurs sortes de pluviomètres, qui sont :
- Les pluviomètres manuels (Figure 1) qui permettent de mesurer la hauteur de précipitation
globale pendant un temps plus ou moins long. Ils sont relevés en général une à deux fois
par jour. Si l’appareil est relevé moins fréquemment, par exemple tous les 15 jours, tous les
mois, voire une à deux fois an, on dit alors que l’on observe un pluviomètre totalisateur
(sont généralement fabriqué par les services techniques des services hydrologiques
nationaux). [3]

6
Chapitre I: Généralités

-
Figure 1 Pluviomètres manuel
- Les pluviomètres optiques (Figure 2) Ils utilisent un faisceau laser transmis à un capteur.
Lorsque les gouttes traversent le faisceau, elles projettent une ombre sur le capteur, qui
mesure le taux de précipitation. « C'est une sorte de compteur de gouttes » [1]

Figure 2 : Les pluviomètres optiques

- Les pluviographes enregistreurs (Figure.3) qui permettent d’étudier l’intensité des pluies
sur différents intervalles de temps, en général de la minute à plusieurs heures, mais aussi
de déterminer les pluies journalières ou les cumuls sur des pas de temps supérieurs . [3]

7
Chapitre I: Généralités

Figure 3 Pluviographe enregistreurs

- Les pluviomètres à auget basculeur (Figure 4) Le collecteur dirige la pluie vers une sorte de
petite balançoire tape-cul formée de deux réceptacles métalliques, ou augets, de petite taille
de part et d’autre d’un axe horizontal. L’eau s’accumule dans celui à l’horizontale qui
bascule quand il a atteinte poids nécessaire, et se décharge de son eau par gravité. La
quantité de précipitations est mesurée par le nombre de basculements effectués par les
augets, détecté par un système mécanique ou optique. [1]

8
Chapitre I: Généralités

Figure 4 - Les pluviomètres à auget basculeur

-Un radar météorologique (Figure.5) est un type de radar utilisé en météorologie pour repérer
les précipitations, calculer leur déplacement et déterminer leur type (pluie, neige, grêle, etc.).
La structure tridimensionnelle des données obtenues permet également d'inférer les
mouvements des précipitations dans les nuages et ainsi de repérer ceux qui pourraient causer
des dommages. Enfin, en se servant des précipitations comme traceurs, on peut en déduire la
direction radiale et la vitesse des vents dans la basse atmosphère.

9
Chapitre I: Généralités

Figure 5 radar météorologique

I.6 Les causes de ce manque de données :

Il y’a beaucoup de facteurs qui conduisent à des trous dans les données :
Les erreurs accidentelles et aléatoires dues à :
1) La collecte au cours de l’observation :
Pertes d’eau.
Absence de l’observateur non signalée.
D´déguisement de la données ou d´décalage de jour.
2) L’inscription sur les originaux et copie :
Oublies de virgules, mauvaises interprétations des chiffres.
3) La transmission et saisie de données.
4) Le calcul des cumuls, moyennes,
.. Les erreurs systématiques :
D´déplacement du site d’observation au cours du temps.
Modification de l’environnement immédiat du poste de mesure :
Déboisement, boisement, urbanisation, construction d’un barrage, ...
La non-conformité du matériel de mesure (d´défaut d’appareillage non
Remarqué) 3

I.7 Caractéristiques climatiques

L’atmosphère terrestre est en évolution perpétuelle, mais les grandes lignes des mouvements
de l’air, de l’état de la température et d’autres phénomènes météorologiques peuvent êtrere

10
Chapitre I: Généralités

présentées par des structures permanentes dont la connaissance est essentielle à la

compréhension des principes hydrométéorologiques. [8]

I.7.1 Les radiations solaires

Les radiations solaires ont une influence dominante sur toute la phase du cycle hydrologique.
Elles sont la roue motrice des processus d’évaporation, de transpiration, de précipitation, etc.
Et de toute vie végétale et animale. Cependant, seulement une partie des radiations solaires
dirigées vers l’atmosphère atteint la surface terrestre. [8]
I.7.2 La température de l’air :
Le réchauffement de la terre tout au long de la journée et son refroidissement pendant la nuit
perturbent le gradient d’équilibre observé à midi. Le gradient thermique affect directement la
stabilité atmosphérique. [8]
I.7.3 L’humidité de l’air :
L’humidité est un terme générique qui décrit la teneur en eau d’une substance.
En hydrologie, plusieurs quantités peuvent être utilisées pour quantifier la teneur en eau de
l’air. [8]
I.7.4 Les vents :
Les vents sont créés en générale par des gradients de pression ou des gradients thermique. En
météorologie le vent est le mouvement horizontal de L’air, les déplacements verticaux
s’appellent des courants. Les vents qui préoccupe l’hydrologue sont ce de la troposphère, à
des altitudes de moins de 3000m. [8]

I.7.5 L’humidité relative de l’air :

L’humidité relative est élevée durant toute l’année et varie peu. Cette humidité est due d’une
part, aux fortes évaporations des eaux des zones humides de la région. [8]

I.8 CONCLUSION :
Dans ce chapitre, une brève définition et une étude des méthodes de mesures des
précipitations, de pluviomètre direct au produit des précipitations à partir des stations des
mesures. Nous avons aussi donné un aperçu sur le rôle de mesure des précipitations à partir
des stations des mesures ainsi que ses instruments de mesures.
Dans le chapitre suivant, on donne une présentation sur la zone d’étude, les différentes
stations pluviométriques dont les données ont été recueillies à partir de l’organisme ANRH.

11
Chapitre II : Méthodes et matérielle de comblement de lacune
Chapitre II : Méthodes et matérielle de comblement de lacune

II.1 Introduction:

Dans ce chapitre, nous tenterons de définir une gamme de méthodes pouvant être utilisées pour
calculer et estimer la quantité de pluie en cas de lacunes dans la mesure.
Avec une brève explication des outils utilisés dans le compte.

II.2 Types de méthode :

II.2.1 La moyenne arithmétique simple :

En mathématiques, la moyenne arithmétique d'une liste de nombres réels est la somme

des valeurs divisée par l+e nombre de valeurs. La « moyenne » se note « ̅ » ( x barre ) on
lira :Si la variable statistique est donnée sous forme d’une série x 1, x 2 , ……, x n, la
moyenne arithmétique est à la somme des « xi » divisée par le nombre « « n » ( « n »
étant légal au nombre de « x » de la série) . [2]

La moyenne arithmétique est égale au rapport :

⋯…
̅= = ∑ ………………( 1)
Avec :
̅ = La moyenne
x = la variable statistique
n = nombre de « x »

II.2.2 L’interpolation inverse de distance(IDW) :

La pondération inverse à la distance (PID) est une méthode d'interpolation spatiale, un

processus permettant d'assigner une valeur à un espace non connu à partir d'un semis de
points connus.
C’est la méthode barycentrique la plus employée. elle consiste à attribuer un poids
inversement proportionnel à la distance entre les sites et le point à estimer :

∑
( )
= ………………….(2)
∑
( )

12
Chapitre II : Méthodes et matérielle de comblement de lacune
P2
Avec :
P1
= Pluie estime
Pn
= Pluie mesuré
= Distance entre les stations
Pi

II.2.3 L’analyse de régression multiple :

Le modèle de régression linéaire multiple est l’outil statistique le plus habituellement

mis en œuvre pour l’étude de données multidimensionnelles. Cas particulier de modèle
linéaire, il constitue la généralisation naturelle de la régression simple.
Dans l'approche de régression, les paramètres du modèle sont directement liés à des
attributs sélectionnés du bassin versant. [1]
Pour chacun des m paramètres du modèle (parami), un modèle de régression linéaire
contenant des attributs (n attribj) est mis en place :

= + ∑" ! " . $$ %!" )……………(3)

Avec :

= Paramètres du modèle
$$ %!" = Des attributs
Un modèle de régression spécifique est élabroré pour chaque paramètre, qui contient
les attributs qui montrent la plus forte corrélation avec le paramètre respectif sur un niveau
de confiance de 95% . [2]

II.2.4 Le krigeage universel :

Le krigeage est comme l’inverse distance pondéré dans lequel le poids est estimé
objectivement en tenant compte de l’autocorrélation.
Le variogramme qui représente le graphique de semi-variance caractérise la dépendance
entre variables en différents points de l’espace. Il existe des variogrammes simples et
croisés.

13
Chapitre II : Méthodes et matérielle de comblement de lacune

II.2.4.1 Origine de la méthode :

Le krigeage est une méthode d’interpolation applicable à des données spatiales.
Elle s’appuie sur la géostatistique linéaire, notamment le variogramme. La théorie du
krigeage a été développée par un mathématicien français (G. Matheron) à partir des
travaux de l’ingénieur minier sud-africain D. G. Krige. Dans les années 50, Krige a
développé une série de m´méthodes statistiques empiriques afin de déterminer la
distribution de minerais `à partir d’un ensemble de forages.

II.2.4.2 Principe:

Voisinage : On appelle voisinage du krigeage le domaine du champ qui contient le site `à

estimer et les données utilisées pour l’interpolation : dans la plupart des cas, il n’est pas
n´nécessaire de prendre toutes les données disponibles (trop nombreuses ou trop éloignées : le
calcul en serait plus long et pas n´nécessairement plus précis). Les sites d’intérêt sont
sélectionnés par un critère de nombre (les n plus proches) ou de distances (les n sites situés `à une
distance inférieure `à &' ). En général, 15 sites sont n´nécessaires pour une estimation optimale
(trop peu de sites peut rendre la solution moins précise : un bon compromis est donc
n´nécessaire). [13]

II.2.5 Les réseaux de neurones artificiels :

Une brève définition des réseaux de neurones artificiels (RNA) est présentée. L’historique de ces
modèles et les principes de fonctionnement de RNA à savoir les Perceptrons multicouches
(PMC).

II.2.5.1 Les réseaux de neurones artificiels :

Avant d’entamer l’état de l’art des réseaux de neurone, il est important de connaitre comment
fonctionne les réseaux de neurones et connaitre les notions de base de cette technique.

II.2.5.2 RNA :

Aujourd’hui de nombreux termes sont utilisés dans la littérature pour désigner le domaine des
réseaux de neurones artificiels, comme connexionnisme ou neuromimétique. La notion basic des
réseaux de neurones artificiels (RNA), comme on l’a connait aujourd’hui a été formalisé par

14
Chapitre II : Méthodes et matérielle de comblement de lacune

McCulloch et Pitts (1943) dans leur modèle d’un neurone artificiel. Depuis ce temps, les réseaux
de neurones ont évolué en trois phases distinctes. La première implique les travaux préliminaire
du développement d’un neurone artificiel jusqu’à Minsky et Papert (1969) qui ont identifié
plusieurs facteurs limitant. La seconde a commencé avec la redécouverte et la popularisation de
l’algorithme de rétropropagation. Avant ce travail fondateur, il était très difficile de former des
réseaux de neurones de n’importe qu’elle taille pratique. La troisième époque est caractérisée par
des évaluations plus rigoureuses de limitations du réseau et les généralisations, la fusion avec
d’autres technologies (comme les algorithmes génétiques et la logique floue) et la mise en œuvre
des RNA utilisant du matériel dédié. [4]

II.[Link] Neurone biologique :

Le neurone est composé de trois principales parties : les dendrites, le corps cellulaire et l’axone
(Figure 1). Les dendrites forment un maillage de récepteurs nerveux qui permettent d’acheminer
vers le corps du neurone des signaux électriques en provenance d’autres neurones.

Celui-ci agit comme une espèce d’intégrateur en accumulant des charges électriques. Lorsque le
neurone devient suffisamment excité (lorsque la charge accumulée dépasse un certain seuil), par
un processus électrochimique,

Figure 1 Schéma d’un neurone biologique. [16]

15
Chapitre II : Méthodes et matérielle de comblement de lacune

II.[Link] Neurone formel :

Le neurone formel est une modélisation mathématique qui reprend les principes de
fonctionnement du neurone biologique. Un neurone formel est constitué d’un noyau, d’une
liaison synaptique de sortie et des liaisons synaptiques d’entrée. A chaque liaison d’entrées est
attachée un poids appelé « poids synaptique ».

Les poids synaptiques : ce sont des coefficients numériques indiquant l’importance de la

connexion.

La Figure (1) montre la structure d'un neurone artificiel. Chaque neurone artificiel est un
processeur élémentaire. Il reçoit un nombre variable d'entrées en provenance de neurones amont.
A chacune de ces entrées est associé un poids w abréviation de weight (poids en anglais). Chaque
processeur élémentaire est doté d'une sortie unique, qui se ramifie ensuite pour alimenter un
nombre variable de neurones avals. A chaque connexion est associé un poids synaptiques
(Touzet, 1992). En effet, tout se passe comme si le neurone ne reçoit qu’une entrée E et que celle-
ci prend la valeur une fois l’entrée connue. Le neurone effectue une opération qui dépend de E,
cela revient à dire qu’il applique une fonction f à la valeur E, cette fonction f est appelée fonction
d’activation (fonction de traitement des entrées fournissant la sortie du neurone) (Parizeau,
2004).. Les variables de cette fonction sont habituellement appelées "entrées"« x » du neurone, et
la valeur de la fonction est appelée sa "sortie" « Y ». [4]

16
Chapitre II : Méthodes et matérielle de comblement de lacune

Figure 2 Un neurone formel [22]

( = )( )……………..(4)
où :
y : Sortie du modèle
) : Fonction de transfert
P : somme pondérée

=∑ + * …………………(5)
x : Entrées du modèle
De façon générale, on définit un neurone formel par les cinq paramètres suivants :
La nature des entrées (booléenne ou réelle)
La fonction d’entrée totale, définissant le prétraitement effectué sur les entrées
La fonction d’activation du neurone définissant son état interne en fonction de la somme
pondérée de ses entrées.
La fonction de sortie calculant la sortie du neurone en fonction de son état d’activation

La nature des sorties du neurone.

17
Chapitre II : Méthodes et matérielle de comblement de lacune

II.3 Matérielle :

II.3.1 Présentation du logiciel R :

Le logiciel R est un logiciel de statistique créé par Ross Ihaka & Robert Gentleman 15. Il
est à la fois un langage informatique et un environnement de travail : les commandes sont
exécutées grâce à des instructions codées dans un langage relativement simple, les résultats sont
affichés sous forme de texte et les graphiques sont visualisés directement dans une fenêtre qui
leur est propre. C’est un clone du logiciel S-plus qui est fondé sur le langage de programmation
orienté objet S, développé par AT&T Bell Laboratories en 1988 16. Ce logiciel sert à manipuler
des données, à tracer des graphiques et à faire des analyses statistiques sur ces données.

il est à la fois un langage et un logiciel ; on cite quelques caractéristiques du R :

1. Un système performant de stockage et de manipulation des données ;
2. La possibilité d'effectuer des calculs matriciels et autres opérations complexes ;
3. Une large collection intégrée et cohérente d'outils d'analyse statistique ;
4. Un large éventail d'outils graphiques particulièrement flexibles ; Dans ce travail, nous
avons utilisé un scripte prédéfinit dans le logiciel R, en utilisant le package mice.

II.3.2 Présentation du package « mice » version 3.5.0:

Le package de souris implémente une méthode pour traiter les données manquantes. Le package
crée plusieurs imputations (valeurs de remplacement) pour les données manquantes multivariées.
La méthode est basée sur la spécification entièrement conditionnelle, dans laquelle chaque
variable incomplète est imputée par un modèle distinct. L'algorithme MICE peut imputer des
mélanges de données catégoriques ordonnées et ordonnées continues, binaires, non ordonnées.
De plus, le système MICE peut imputer des données continues à deux niveaux et maintenir la
cohérence entre les imputations au moyen d'une imputation passive. De nombreux graphiques de
diagnostic sont mis en œuvre pour contrôler la qualité des imputations.
Génère des imputations multivariées par équations chaînées ( MICE)

II.3.2.1 Détails
Le paquet souris contient des fonctions pour :

18
Chapitre II : Méthodes et matérielle de comblement de lacune

• Inspecter le modèle de données manquantes.

• Imputez les données manquantes fois, résultant en m ensembles de données terminés.
• Diagnostiquer la qualité des valeurs imputées.
• Analyser chaque ensemble de données complété.
• Mettre en commun les résultats des analyses répétées
• Stocker et exporter les données imputées dans divers formats
• Générer des données incomplètes simulées
• Incorporer des méthodes d'imputation personnalisées

II.3.2.2 Norm. predict:

Impute la "meilleure valeur" selon le modèle de régression linéaire, également appelé

imputation par régression.

Calcule les poids de régression à partir des données observées et renvoie les valeurs
prédites sous forme d'imputations. Cette méthode est connue sous le nom d'imputation par
régression.

II.3.2.3 Mean :
Fonction générique pour la moyenne arithmétique (ajustée).

II.3.3 Présentation de l’écran RStudio :

RStudio est une interface facilitant l'utilisation de R. A son ouverture, l’écran est divisé en
4 parties :

19
Chapitre II : Méthodes et matérielle de comblement de lacune

Figure 3 l’écran RStudio

o La zone A permet d’éditer du code R, c’est à dire d’ouvrir, de créer ou encore de modifier des
scripts de commandes R.
o La Zone B est la console du logiciel R ; elle permet l’exécution de codes. Les lignes de
commandes peuvent être directement entrées dans la console, ou bien transférées de la zone A
à la zone B par un copier coller, ou par le raccourci Ctrl+Entrée après s’être positionné sur la
ligne
o La Zone C permet d’avoir accès à plusieurs éléments :

L’onglet “Environnement” permet d’afficher la liste des objets présents dans la

mémoire de R, ainsi que les jeux de données importées ou créés. Il est également
possible d’importer des données via le menu déroulant “Import Dataset“.
L’onglet “History” permet d’afficher l’historique des commandes exécutées dans la
console
L’onglet “Git” permet de faire du versionnage. Cela nécessite d’installer Git bash (sous
Windows)

o La Zone D permet également d’avoir accès à plusieurs éléments :

20
Chapitre II : Méthodes et matérielle de comblement de lacune

L’onglet “file” permet de naviguer dans fichiers

L’onglet “plot” donne accès à la fenêtre d’affichage et d’exportation des graphs
L’onglet “Package” permet d’accéder à une fenêtre d’installation et de mise à jour des
packages
L’onglet “Help” permet d’accéder à l’aide en ligne de toutes les fonctions des
packages chargés dans R

II.3.4 Présentation Matlab (R 2013a)

Le logiciel Matlab (Matrix Laboratory) consiste en un langage interprété qui s'exécute

dans une fenêtre dite d'exécution. L'intérêt de Matlab tient, d'une part, à sa simplicité
d'utilisation : pas de compilation, déclaration implicite des variables utilisées 18.
C'est un outil très utilisé, dans les universités comme dans le monde industriel, qui in-
tégre des centaines de fonctions mathématiques et d'analyse numérique de haut niveau
dans de nombreux domaines (calcul matriciel, traitement de signal, traitement d'images,
visualisations graphiques) ...etc.
La programmation sous Matlab consiste à écrire des scripts de commandes Matlab, exécu-
tables dans la fenêtre d'exécution. En outre, grâce aux diverses Toolboxes spécialisés
(ensemble de scripts Matlab), Matlab s'enrichit au fur et à mesure. [17]
Scripte MATLAB :
Les scripts sont le type le plus simple de fichier programme. Ils sont utiles pour
automatiser une série de commandes MATLAB®, telles que les calculs que vous devez
effectuer de manière répétée à partir de la ligne de commande ou de la série de
commandes à référencer, Pour notre travail, nous avons utilisé le scripte pour (IDW).

II.4 Conclusion :

Dans ce chapitre, nous avons discuté de trois méthodes de calcul et de deux méthodes
automatiques pour comparer et analyser les résultats obtenus.
Dans le chapitre suivant, nous présentons la zone d’étude et les données de précipitations
pour la région, selon l’ANRH.

21
Chapitre III : Zone d’étude et base des donne

III.1 Introduction:

Ce chapitre a pour but de caractériser la zone d’étude, on y décrit son contexte géographique,
morphométrique et hydrologique. Les différentes stations pluviométriques dont les données
ont été recueillies à partir de l’organisme ANRH.
Le sous bassin qui est codé (1406) par l’Agence Nationale des Ressources Hydriques
(ANRH), et qui fait partie du grand bassin de Seybouse (14) a été le sujet de cette étude.

III.2 Situation géographique:

La zone d’étude est située au Nord Est Algérien entre les Latitude 36° 56', 36° 24' et
Longitude 7° 53', 7° 26'.

La zone d’étude est une partie intégrante du bassin versant de l’Oued Seybouse d’une
superficie de 1066 km², ses limites naturelles sont :
-Au Nord : la mer méditerranée,
- Au Sud : les monts de Mahouna, Ain larbi et sedrata,
- A l’Ouest : le massif de l’Edough, les monts de Houara et Débagh,
- A l’Est : le prolongement oriental du système aquifère Annaba-Bouteldja et les monts
de Nador N’bail.

La zone d’étude s’inscrit dans le territoire de trois wilayas. Elle occupe la partie
centrale de la wilaya de Guelma, la majorité de la wilaya de Annaba et la partie Ouest de
la wilaya d’El Taref.

La Seybouse est un des Oueds les plus importants d’Algérie par la longueur de son
parcours, le nombre de ses affluents et la superficie de son bassin. La région d’étude fait
partie du grand bassin versant de l’Oued Seybouse qui couvre au total une superficie de
6471 Km². Il possède trois parties : les hautes plaines (haute Seybouse), le tell
méridional (moyenne Seybouse) et le tell septentrional (basse Seybouse). [14]

24
Chapitre III : Zone d’étude et base des donne

Figure (1) carte de situation géographique de la zone d’étude

25
Chapitre III : Zone d’étude et base des donne

Figure (2) Localisation du sous bassin (1406) par rapport au bassin de la Seybous

III.3 Relief :

Dans le but d’extraire les caractéristiques morphometrique du sous bassin versant

(1406), un Modèle Numérique Terrain (MNT) (en Anglais Digital Elevation Model ou DEM)
a été utilisé dans un logiciel de SIG (Système d’information géographique). Extrait d’une
image satellitaire couvrant l’ensemble du continent africain (diffusion sur Internet par EROS
Datat Center de l’U.S Geological Survey).

26
Chapitre III : Zone d’étude et base des donne

Figure (3) Relief et talwegs du sous bassin (1406)

Le sous bassin de oued seybouse maritime draine une superficie de 1066 km² (Figure
3) dont l’élévation varie entre -7 m et 976 m, avec une longueur du talweg principal mesuré à
69,8 km.

A partir d’un Modèle Numérique Terrain (MNT), une carte des reliefs du sous bassin
(1406) a pu être extraite et est montrée dans la (Figure 3).

27
Chapitre III : Zone d’étude et base des donne

III.4 Analyse des donnée :

III.4.1 Choix des stations des mesures

Notre zone d’étude contient 07 stations, qui sont couvrit totalement de notre zone, avec
une assez bonne répartition dans toute la région d'étude. âpres de consisté à vérifier la
cohérence des données, ce qui a permis de vérifier que toutes les stations ne
présentaient pas une série de données complète. Finalement, nous avons retenu les données
de précipitations de 4 stations (Tableau .1.) étalonnées de 5 ans (2004 à 2008).

Tableau (1) les Stations pluviométriques (à partir de MNT)

Altitude (m)
Latitude Pluie (2004-2008)
Longitude
Paramètres station Code (m)
(m)
min moy max

BOUKHAMOUZA 14 06 07 7°50’ E 36°61’ N 85 484.54 659.44 834.45

AIN BERDA 14 06 06 7°58’ E 36°68’ N 76 470.21 632.47 794.74

NECHMEYA 14 06 05 7°73’ E 36°58’ N 255 329.30 571.58 813.87

Karma 14 06 09 7°67’ E 36°75’N 15 607.29 697.28 787.28

28
Chapitre III : Zone d’étude et base des donne

Figure (4) Localisation des stations pluviométrique (140605-140606-140607-140609)

29
Chapitre III : Zone d’étude et base des donne

III.4.2 Représentation mensuelles des précipitations.

Pour évaluer la variation des précipitations moyen mensuelles, nous avons établit les
histogrammes relatifs à chaque station. (Fig.5)

Tableau (2) précipitations moyenne mensuelles des station pluviométrique (2004 -2006).(mm)

14 06 05 14 06 06 14 06 07 140609

Janvier 2.46 4.06 3.27 3.77

février 4.03 0.66 4.84 0.39

Mars 1.46 2.35 2.16 2.38

Avril 3.37 2.92 3.70 2.98

mai 0.02 2.03 0.00 1.45

Juin 0.08 2.17 0.27 1.56

2004
Juillet 1.03 0.02 0.29 0.00

aout 1.37 0.17 0.25 0.18

Septembre 1.19 1.93 2.00 1.81

Octobre 0.13 0.42 1.02 0.25

Novembre 6.66 4.73 4.78 5.31

décembre 5.21 4.61 5.15 5.73

Janvier 4.28 3.32 4.68 3.76

février 4.52 5.55 3.46 5.87

Mars 1.10 1.52 1.02 1.35

Avril 0.35 4.22 0.60 4.19

mai 1.45 0.39 1.15 0.14

Juin 0.00 0.18 0.10 0.26

2005
Juillet 0.01 0.22 0.00 0.07
aout 0.50 0.98 0.45 0.35

Septembre 0.09 0.57 0.18 1.08

Octobre 0.28 0.23 1.21 0.30

Novembre 0.29 1.28 1.08 1.36

décembre 4.21 4.39 6.08 4.04

30
Chapitre III : Zone d’étude et base des donne

Tableau (3) précipitations moyenne mensuelles des station pluviométrique (2007 -2008).(mm)

14 06 05 14 06 06 14 06 07 140609
Janvier 0.27 4.61 1.27 3.17
février 1.14 3.98 2.39 2.91
Mars 3.31 0.87 7.88 0.74
Avril 1.55 0.58 3.73 0.46
mai 0.45 0.97 0.42 1.06
Juin 0.26 0.03 1.60 0.00
2006
Juillet 0.02 0.03 0.00 0.00
aout 0.01 1.11 0.10 0.33
Septembre 0.10 0.27 0.60 0.60
Octobre 0.30 0.77 0.48 2.42
Novembre 0.69 0.55 0.72 2.41
décembre 2.78 4.82 2.94 6.07
Janvier 0.32 1.13 0.70 0.86
février 0.16 2.46 0.50 2.96
Mars 3.58 6.74 3.82 7.04
Avril 1.39 1.53 0.73 0.39
mai 0.89 0.47 1.69 0.51
Juin 1.06 1.20 0.32 1.67
2007
Juillet 0.05 0.05 0.10 0.00
aout 0.15 0.16 0.11 0.16
Septembre 0.66 0.80 1.48 0.60
Octobre 0.88 2.45 2.18 2.42
Novembre 0.72 1.77 1.05 2.41
décembre 0.61 3.95 3.20 6.07
Janvier 3.95 0.56 4.63 0.36
février 2.26 0.60 3.61 0.77
Mars 1.73 4.34 2.48 4.38
Avril 1.17 0.78 6.62 0.76
mai 3.03 1.66 3.05 1.30
Juin 0.07 0.13 0.00 0.07
2008
Juillet 0.01 0.13 0.00 0.26
aout 0.14 0.02 0.66 0.00
Septembre 0.52 1.97 1.73 3.29
Octobre 0.80 0.97 0.95 2.93
Novembre 1.37 2.00 1.84 2.16
décembre 0.83 2.18 1.87 4.05

31
Chapitre III : Zone d’étude et base des donne

ST 14 06 07 ST 14 06 05

3,00
4,00

3,50 2,50

précipitations (mm)
3,00
précipitations (mm)

2,00
2,50
1,50
2,00

1,50 1,00

1,00
0,50
0,50
0,00
0,00

Janvier
février
Mars
Avril
mai
Juin
Juin

Octobre
Novembre
Janvier
février

Avril
mai

aout
Mars

Septembre

décembre
Juillet

Juillet
aout
Septembre
Octobre
Novembre
décembre
les mois
les mois

ST 14 06 06 ST 14 06 09

4,00 6,00

3,50
5,00
3,00
4,00
précipitations (mm)

précipitations (mm)

2,50

2,00 3,00

1,50 2,00

1,00
1,00
0,50
0,00
0,00
Janvier
février
Mars
Avril
mai
Juin
Juillet
Janvier

aout
février
Mars

Septembre
Octobre
Avril

Novembre
mai
Juin

décembre
Juillet
aout
Septembre
Octobre
Novembre
décembre

les mois les mois

Figure (5) la variation des précipitations moyen mensuelles pour les stations.

Les précipitations pendant la période (2004 ; 2005 ; 2006 ; 2007 ; 2008), atteignent le
maximum au mois de Décembre, tandis que la plus faible caractérise le mois de Juillet.

32
Chapitre III : Zone d’étude et base des donne

III.4.3 Représentation annuelles des précipitations

Pour évaluer la variation des précipitations annuelles, nous avons établit les
histogrammes relatifs à chaque station. (Fig 6)

Tableau (4) précipitations annuelles des station pluviométrique (2004 -2008)(mm).

14 06 05 14 06 06 14 06 07 140609

2004 813.87 794.74 834.45 787.28

2005 510.79 681.85 601.92 678.65
2006 329.30 557.61 670.40 607.29
2007 320.01 687.50 484.45 758.36
2008 484.59 470.21 833.63 620.88

900,00

800,00

700,00

600,00
précipitations (mm)

500,00

400,00

300,00

200,00

100,00

0,00
2004 2005 2006 2007 2008
les annes
06 05 06 06 06 07 06 09

Figure (6) la variation des précipitations annuelles pour les stations.

(14 06 05 – 14 06 06 –14 06 07 – 14 06 09)

33
Chapitre III : Zone d’étude et base des donne

III.4.4 La température:

La température est le deuxième facteur dans l’étude climatique, car elle agit directement

sur le phénomène d’évapotranspiration et par conséquent le déficit d’écoulement annuel et

saisonnier. On dispose des données de températures moyennes mensuelles de la station

d’Annaba période de (2004-2008).

Tableau (5) Températures moyennes mensuelles en °C à station de d’Annaba (2004-2008)

Anne
2004 2005 2006 2007 2008 Moy
Mois

Janvier 11.50 9.20 9.80 11.90 11.20 10.72

Février 12.20 9.20 11.00 12.90 11.40 11.34

Mars 12.80 12.40 13.50 12.60 12.50 12.76

Avril 14.70 15.00 16.80 15.90 16.10 15.70

Mai 17.20 19.00 19.80 19.00 19.30 18.86

Juin 21.30 23.10 22.40 22.30 21.60 22.14

Juillet 24.30 25.60 25.90 24.60 25.40 25.16

Août 26.30 24.80 25.00 25.20 25.70 25.40

Septembre 23.10 22.70 22.80 22.80 23.70 23.02

Octobre 21.10 20.20 21.40 19.40 19.80 20.38

Novembre 14.00 19.80 16.60 14.20 14.80 15.88

Décembre 12.20 11.10 12.40 11.30 11.00 11.60

L’histogramme ci-après montre les variations des températures moyennes mensuelles de la

station d’Annaba :

34
Chapitre III : Zone d’étude et base des donne

Temperatures monselles(°C)

30,00

25,00

20,00
Temperatures (C°)

15,00

10,00

5,00

0,00

les mois

Figure (7) variations des températures moyennes mensuelles.

D'après les figures (7) les plus faibles valeurs sont mesurées aux mois de Janvier et février
tandis que les plus fortes caractérisent les mois de Juillet et Août.

III.5 Conclusion:
Dans ce chapitre une description de la zones d’étude ainsi que les données
pluviométriques ont été présenté.
Dans le chapitre suivant on va estimer et analyse les résultats de comblement des
lacunes des pluies présenté dans ce chapitre avec les mesures réelles des stations
pluviométriques.
Différents critères statistiques ont été utilisés pour la comparaison

35
Chapitre IV : Application et comparaison entre les différentes approches

IV.1 Introduction

Ce chapitre a pour but de présenter les résultats obtenus en utilisant les méthodes mentionnées
dans le chapitre II.
Afin de comparer les différents résultats obtenus par les méthodes précédentes, nous calculons les
critères de performance suivants (R²%, BIAIS et RMSE)

IV.2 Les critères d’efficacité

Nous avons utilisé diverses mesures statistiques pour évaluer les performances des méthodes de
comblement de lacune. On a utilisé le coefficient de détermination (R²), le BIAIS, La racine de
l’erreur quadratique moyenne (RMSE). Le coefficient de détermination (R²) est largement utilisé
comme moyen de quantifier la corrélation entre deux ensembles de données (dans ce cas, l'un des
différents produits de précipitations estimé par les méthodes statistiques et les données
pluviométriques). La valeur de R² varie entre 0 (aucune corrélation) et 1 (corrélation parfaite) 22 Le
23
BIAIS reflète le degré auquel la valeur mesurée est surestimée ou sous-estimée La racine de
l’erreur quadratique moyenne (RMSE) a été utilisée comme mesure statistique standard pour
mesurer la performance. Le RMSE est fréquemment utilisé, mesure des différences entre deux
variables. Les équations permettant d'évaluer tous ces indicateurs statistiques sont décrites comme
suit :

=
∑
………………(6)
∑ ∑

=∑ − 1 ………………..……(7)
∑

∑
= ……………………(8)

Où est la précipitation cumulative de bassins hydrographique à partir des données de

précipitations par sol.

37
Chapitre IV : Application et comparaison entre les différentes approches

: la précipitation Mesure.

:le nombre total des données.

! :La moyenne de .

" :La moyenne de

IV.3 Application de La moyenne arithmétique simple

Les valeurs manquantes de chaque attribut sont remplacées par la moyenne des valeurs non-
manquantes (mais on ne tient pas compte des autres variables) de toutes les observations. Pour
l'imputation par la moyenne de sous-groupe (classe), la valeur manquante est remplacée par la
moyenne du sous-groupe (classe) de l'attribut en question.

L'inconvénient de cette méthode est la sous-estimation de la variance et de biaiser la corrélation

entre les attributs, cela veut dire que la distribution des données est loin d’être préservée.

Les résultats du calcul et de la comparaison sont représentés dans les graphiques suivants :

38
Chapitre IV : Application et comparaison entre les différentes approches

Pluie mesure

Pluie messure
Ligne de(st
Linéaire tendance linéaire
14 06 05) Ligne de(sttendance
Linéaire 14 06 06)linéaire
60
60
50
50
R² = 0,1237 R² = 0,3474
40
40

30
30

20 20

10 10

0 0 Pluie estime
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Pluie estime
140605 140606
Pluie mesure
Pluie mesure

Ligne de(st
Linéaire tendance linéaire
14 06 07) Ligne de
Linéaire (sttendance
14 06 09)linéaire
60 50
45
50
40
R² = 0,1821 R² = 0,2133
35
40
30
30 25
20
20
15
10
10
5
0 0
Pluie estime Pluie estime
0 10 20 30 40 50 60 0 10 20 30 40 50

140607 140609

Figure (1) Nuage de point des pluies mesurées et estimées par la méthode des moyennes
arithmétiques

39
Chapitre IV : Application et comparaison entre les différentes approches

Tableau (1) critères de performances « moyenne arithmétique »

RMSE BAIS R²

ST 14 06 05 5.625 -0.263 0.124

ST 14 06 06 4.529 0.042 0.347

ST 14 06 07 5.614 0.093 0.182

ST 14 06 09 5.093 0.034 0.213

A travers les courbes de la (Figure 1) et critères de performances (Tableau 1), nous trouvons que
les résultats obtenus par calcul de moyenne arithmétique ne sont pas bons.

Le (Tableau 1) résume les résultats obtenus par la méthode de moyenne arithmétique appliquée au
produit de précipitation de quatre stations, en utilisant les données ANRH selon les critères de
performance (R², BIAIS et RMSE).

Pour les quatre stations (ST 14 06 05, ST 14 06 06, ST 14 06 07, ST 14 06 09) nous avons calculé
les paramètres de performance entre les données d’estimation et les données mesure.

Le RMSE dont toute les stations sont variées entre 4.529 et 5.625, en remarque que le résultat de
(RMSE=4.529) dans la station (ST 14 06 06) est meilleur par rapport aux autres stations et le
mauvais résultat (RMSE = 5.625) dans la station (ST 14 06 05)

Le coefficient de détermination (R²) varie entre 0.124 et 0.347, le meilleur résultat enregistré dans
la station (ST 14 06 06) (R²=0.347) et le mauvais résultat (R² = 0.124) dans la station (ST 14 06
05).

IV.4 Application l’interpolation inverse de distance(IDW) :

À partir de scripte exécute sur Matlab, nous avons calculé les lacunes dans les données en
fonction des données existantes et de la distance entre les différentes stations. La précision des
résultats dépend de la distance entre les stations. Plus la distance est courte, plus les résultats sont
précis

40
Chapitre IV : Application et comparaison entre les différentes approches

Pluie mesure
Pluie mesure
Ligne de tendance linéaire Ligne de tendance linéaire

60
60

50 50
R² = 0,2794
R² = 0,1408
40 40

30 30

20 20

10 10

0 Pluie estime 0
0 20 40 60
0 20 40 60 Pluie estime

140605 140606
Pluie mesure
Pluie mesure

L…Ligne de tendance linéaire L…Ligne de tendance linéaire

60 60

50 50

R² = 0,1655
40 40
R² = 0,2019

30 30

20 20

10 10

0 0 Pluie estime
Pluie estime
0 20 40 60 0 20 40 60

140607 140609

Figure (2) Nuage de point des pluies mesurées et estimées par l’interpolation inverse de
distance(IDW)

41
Chapitre IV : Application et comparaison entre les différentes approches

Tableau (2) critères de performances « l’interpolation inverse de distance(IDW) »

RMSE BAIS R²

ST 14 06 05 5.201 0.145 0.140

ST 14 06 06 4.810 -0.130 0.279

ST 14 06 07 5.453 -0.122 0.201

ST 14 06 09 5.826 0.378 0.165

Sur la base des courbes (Fig 2) et du tableau (2), nous constatons que les résultats de critères
de performances obtenus par le calcul avec l’interpolation inverse de distance sont faibles.

Le (Tableau 2) résume les résultats obtenus par la méthode de l’IDW appliquée au produit de
précipitation de quatre stations, en utilisant les données ANRH selon les critères de performance
(R², BIAIS et RMSE).

Le RMSE dont toute les stations sont variées entre 4.810 et 5.826. Le résultat (RMSE = 4.810)
dans la station (ST 14 06 06) est meilleur que les autres stations et le mauvais résultat (RMSE =
5.826) dans la station (ST 14 06 09)

Le coefficient de détermination (R²) variée entre (0.140 et 0.279) et le meilleur résultat enregistré
dans la station (ST 14 06 06) (R²=0.279) et le mauvais résultat (R² = 0.140) dans la station (ST 14
06 05).

IV.5 Les réseaux de neurones artificiels (RNA)

Afin d’obtenir la configuration optimale de la couche cachée, on a varié à chaque fois le nombre
de neurone (de 2 jusqu’à 10) et mesurer la performance du modèle. Les résultats des configurations
optimales ont été sauvegardés et montré dans les figures au-dessous

42
Chapitre IV : Application et comparaison entre les différentes approches

Pluie mesure

Pluie mesure
Ligne de tendance linéaire
L… LiLigne de tendance linéaire
50 50 n…

40 40
R² = 0,5076 R² = 0,3471
30 30

20 20

10 10

0 Pluie estime 0
Pluie estime
0 10 20 30 40 50 0 10 20 30 40 50

140605 140606
Pluie mesure

Pluie mesure

Ligne de tendance linéaire

Linéaire (Série1) L…Ligne de tendance linéaire

50 50

40 40
R² = 0,4239

30 30
R² = 0,6739

20 20

10 10

0 Pluie estime 0 Pluie estime

0 10 20 30 40 50 0 10 20 30 40 50

140607 140609

Figure (3) Nuage de point des pluies mesurées et estimées par de réseaux de neurones
artificiels (RNA)

43
Chapitre IV : Application et comparaison entre les différentes approches

Tableau (3) les critères de performance « réseaux de neurones artificiels (RNA) »

RMSE BAIS R²

ST 14 06 05 6.674 -0.043 0.507

ST 14 06 06 5.738 0.086 0.347

ST 14 06 07 6.830 -0.047 0.424

ST 14 06 09 8.045 -0.024 0.673

Les résultats obtenus avec cette méthode sont acceptables selon les courbes (Fig 3) et le
tableau (Tabeau 3).

Le (Tableau 3) résume les résultats obtenus par la méthode réseaux de neurones artificiels (RNA)
appliquée au produit de précipitation de quatre station, en utilisant les données ANRH selon les
critères de performance (R², BIAIS et RMSE).

Pour les quatre stations (ST 14 06 05, ST 14 06 06, ST 14 06 07, ST 14 06 09) nous avons calculé
les paramètres de performance entre les données d’estimation et les données mesure.

Le RMSE dont toute les stations sont variées entre 5.738 et 8.045, le résultat (RMSE = 5.738) dont
la station (ST 14 06 06) mieux que les autres stations et le mauvais résultat (RMSE = 8.045) dans
la station (ST 14 06 09)

Le coefficient de détermination (R²) variée entre (0.347 et 0.673) et le meilleur résultat enregistré
dans la station (ST 14 06 09) (R²=0.673) et le mauvais résultat (R² = 0.347) dans la station (ST 14
06 06).

IV.6 Résultat Histogramme du logiciel R avec package « Mean »

A ce stade, nous avons appliqué le programme R avec package « Mean » qui dépend du processus
de régression. Nous avons obtenu les résultats suivants :

44
Chapitre IV : Application et comparaison entre les différentes approches

Pluie mesure
Pluie mesure
Ligne de tendance linéaire
Ligne de tendance linéaire
50 50

40 40

R² = 0,5556 R² = 0,2773

30 30

20 20

10 10

0 0
0 10 20 30 40 50 0 10 20 30 40 50
Pluie estime Pluie estime
140605 140606
Pluie mesure

Pluie mesure

Ligne de tendance linéaire Ligne de tendance linéaire

50 50

40 40
R² = 0,1734 R² = 0,1602

30 30

20 20

10 10

0 Pluie estime 0
0 10 20 30 40 50 0 10 20 30 40 50
Pluie estime
140607 140609

Figure (4) Nuage de point des pluies mesurées et estimées par « Mean »

45
Chapitre IV : Application et comparaison entre les différentes approches

Tableau (4) Critères de performances de résultat « Mean »

RMSE BAIS R²

ST 14 06 05 3.746 0.033 0.556

ST 14 06 06 4.667 0.184 0.277

ST 14 06 07 5.401 0.090 0.173

ST 14 06 09 5.759 0.144 0.160

D’après la (Fig 4) et critères de performances (Tab 4), nous trouvons que les résultats obtenus par
calcul avec le logiciel R sont faible.

(Tableau 4) résume les résultats obtenus par le logiciel R appliquée sur le produit de précipitation
de quatre stations, en utilisant les données ANRH selon les critères de performance (R², BIAIS et
RMSE).

Le RMSE dont toute les stations sont variées entre 3.746 et 5.759, le résultat dont la station (ST 14
06 05) mieux que les autres stations et le mauvais résultat (RMSE = 5.759) dans la station (ST 14
06 09)

Le coefficient de détermination (R²) variée entre (0.160 et 0.556) et le meilleur résultat enregistré
dans la station (ST 14 06 05) (R²=0.556) et le mauvais résultat (R² = 0.160) dans la station (ST 14
06 09).

46
Chapitre IV : Application et comparaison entre les différentes approches

IV.6.1Comparaison de Critères de performances pour le quatre méthode :

Ce qui suit est une comparaison des quatre méthodes au moyen Critères de performances
(RMSE, BAIS, R²)

Tableau (5) Résultat de Critères de performances de quatre méthode

moyenne
IDW RAN Mean
arithmétique
RMSE

RMSE

RMSE

RMSE
BAIS

BAIS

BAIS

BAIS
R²

R²

R²

R²
14 06 05

5.625 -0.263 0.124 5.201 0.145 0.140 6.674 -0.043 0.507 3.746 0.033 0.556
14 06 06

4.529 0.042 0.347 4.810 -0.130 0.279 5.738 0.086 0.347 4.667 0.184 0.277
14 06 07

5.614 0.093 0.182 5.453 -0.122 0.201 6.830 -0.047 0.424 5.401 0.090 0.173
14 06 09

5.093 0.034 0.213 5.826 0.378 0.165 8.045 -0.024 0.673 5.759 0.144 0.160

9
8
7
6
RMSE

5
4
3
2
1
0
14 06 05 14 06 06 14 06 07 14 06 09
Les stations

Moy IDW RAN Mean

Figure (5) Comparaison de Critères de performances (RMSE) entre le quatre méthode

47
Chapitre IV : Application et comparaison entre les différentes approches

0,8
0,7
0,6
0,5
R²

0,4
0,3
0,2
0,1
0
14 06 05 14 06 06 14 06 07 14 06 09
Les Stations

Moy IDW RAN Mean

Figure (6) Comparaison de critères d’efficacité (R²) entre le quatre méthode

Après avoir comparé les quatre méthodes dans les stations étudiées, nous avons obtenu le
meilleur résultat pour (RMSE =3.746) dans la station (14 06 05) et dans la méthode (logiciel R)
et le mauvais résultat dans la station (14 06 09) et dans la méthode (RAN).

La station (14 06 09) est celui qui donne de meilleurs résultats si on se base sur le critère de
R² = 0.673 avec la méthode (RAN) ainsi que la mauvaise résultat et obtenu à la station (14 06 05)
R² =0.124 en appliquant la (moyenne arithmétique).

IV.7 Conclusion :

Dans ce chapitre, les données totales pour les stations pluviométriques ont été calculées et
évaluées sur une période de cinq ans sur le sous-bassin versant de Seybouse (14 06).

Une série de calculs ont été effectués à l'aide des données disponibles et des méthodes
statistiques (La moyenne arithmétique simple. L’interpolation inverse de distance(IDW). Les réseaux de
neurones artificiels RAN, logiciel R).

Après avoir retiré certaines données des données mesurées dans les stations terriennes et les avoir
recalculées à l'aide de méthodes de calcul, les résultats estimés différaient des résultats mesurés.
Les paramètres standard étaient faibles. Par exemple la station (14 06 05) a été utilisée. Les critères

48
Chapitre IV : Application et comparaison entre les différentes approches

d’efficacité (R²) (0.124, 0.140, 0.507, 0.556) et pour (RMSE) (BIAIS), les plages vont de (3.746,
6.674, 5.201, 5.625), (0.033, -0.043, 0.145, -0.263)
Après avoir comparé les quatre méthodes sur nos données, nous avons constaté que la
meilleure méthode donnant les meilleurs résultats est « réseaux de neurones artificiels (RNA) ».

49
 CONCLUSION
Les études de précipitations sont très importantes pour comprendre les caractéristiques
de chaque zone et la quantité de précipitations tombant à des moments différents (annuel,
mensuel, hebdomadaire, quotidien).

Dans note, une étude a été menée sur les lacunes dans les données de mesure et les
méthodes utilisées pour combler ces lacunes en utilisant certaines méthodes mathématiques et
statistiques dans un outil informatique et statistique. Ces techniques ont été utilisé dans les outils
de programmation Rstudio et MATLAB.

L'acquisition intégrale des données nous a permis de pouvoir effectuer des

modifications délibérées et après calcul on peut comparer entre les résultats et les données.

Après avoir combler et analyser statistiquement nos données, il nous a été permis de
conclure ce qui suit :

• Dans certains cas, la mobilisation des données peut permettre d'obtenir des
informations plus précises, sans aucune perte d'informations, transmises par manque de
données.
• Les résultats obtenus montrent une différence entre les valeurs estimées et les valeurs
mesurées (données).
• Les résultats obtenus d'estimation peuvent être sous-estimée, surestimée ou égale (cette
dernière est rare) selon chaque méthode appliquée.
• Calcul des critères de performance nous ont montré la différence entre les résultats
estimés et les données
• Nous avons constaté que la meilleure méthode donnant les meilleurs résultats dans notre
cas ce la est « réseaux de neurones artificiels (RNA) ».

• Dans notre cas les Critères de performances sont plus au mois acceptable et suffisant.

Plus les stations étudiées sont nombreuses est proche, les critères de comparaison sont
élevés.

Nous avons rencontré un certain nombre de difficultés, comme tout chercheur.

50
Enfin, nous espérons que cette étude, réalisée dans la région de sous bassin versant de la
Seybouse, a apporté une certaine quantité d’informations et de précision qui pourraient guider
les travaux futurs en matière d’évaluation des données.

Ce modeste travail ne peut être qualifié de parfait dans le domaine d’études des
précipitations. Nous espérons le compléter par d’autres études plus poussées, en se basant sur
des données sur un nombre plus importants stations pour une meilleure représentativité des
données, et sur des périodes d’observations très importantes.

51
 Bibliographie

[1] Ahmed, Sari. 2002. L'hydrologie de surface (Universié de Bab Ezzouar, Alger).
[2] Analyse statistique du couple pluie-temp´erature du bassin versant de la SOUMMAM
[3] Bennani, Mohammed. 2016. 'Etude de la variabilité spatio-temporelle des précipitations dans
le Nord-Est d'Algérie', M Achite.
[4] Boulmaiz, Tayeb. 2016. 'Contribution dans la modélisation de la relation pluie-débits'.
[5] Bitar, G. (2010). Impact des changements climatiques et des espèces exotiques sur la
biodiversité et les habitats marins au Liban. Rapports et procès-verbaux des réunions
Commission internationale pour l’exploration scientifique de la Mer Méditerranée, 39, 452.
[6] Brookhart, M. A., Schneeweiss, S., Rothman, K. J., Glynn, R. J., Avorn, J., & Sturmer,
T.(2006). Variable selection for propensity score models. American journal of
epidemiology,163(12), 1149-1156
[7] Duan, Zheng, WGM Bastiaanssen, and Junzhi Liu. 2012. "Monthly and annual validation of
TRMM Mulitisatellite Precipitation Analysis (TMPA) products in the Caspian Sea Region for
the period 1999–2003." In Geoscience and Remote Sensing Symposium (IGARSS), 2012
IEEE International, 3696-99. : IEEE.
[8] Etude de variabilité des précipitations dans l’ensemble du bassin versant ISSER (09), Algérie
[9] Etude de la pluviométrie journalière dans le bassin versant de la TAFNA.
[10] Gilbert, W., Henrion, D., Bernussou, J., et Boyer, D. (2007). ATOL : outil de contrôle
moteur sous Matlab. In Congres des Doctorants EDSYS, Albi.
[11] Gaston REMENIERAS: l’hydrologie de l’ingénieur, édition 1999
[12] HYDROLOGIE ET MODELISATION PLUIE-DEBIT : CAS DES BASSINS VERSANTS
DE L’OUED RESSOUL ET OUED SEYBOUSE (SEYBOUSE NE-ALGERIEN)
[13] Merz, R., Blöschl, G., 2005. Flood frequency regionalisation–spatial proximity vs.
Catchment attributes. Journal of Hydrology 302, pp. 283–306
[14] Mebarki, Azzedine. 2005. 'Hydrologie des bassins de l’Est algérien: ressources en eau,
aménagement et environnement', Thèse de doctorat d’état. Université Mentouri de
Constantine.
[15] N. ELJABI et J. ROUSSELLE: hydrologie fondamentale, 2emme édition revue et corrigée
1990
[16] Parizeau, Marc. 2004. réseaux de neurones ( université laval).
[17] Quarteroni, A. M., Saleri, F., & Gervasio, P. (2011). Calcul scientifique : cours, exercices
corrig_es et illustrations en MATLAB et Octave. Springer Science and Business Media.
[18] Raaijmakers, Q. A. (1999). Effectiveness of different missing data treatments in surveys
with Likert-type data : Introducing the relative mean substitution approach. Educational and
Psychological Measurement, 59(5), 725-748.
[19] Sciences & Technologie D – N°30, Décembre (2009), pp. 43-52
[20] Saad BENNIS: hydraulique et hydrologie, 2emme édition 2004.
[21] Tan, Mou Leong, Ab Latif Ibrahim, Zheng Duan, Arthur P Cracknell, and Vincent Chaplot.
2015. 'Evaluation of six high-resolution satellite and ground-based precipitation products
over Malaysia', Remote Sensing, 7: 1504-28.
[22] Wira, Patrice. 2009. 'Réseau de neurones artificiels : architectures et applications', Université
de Haute Alsace, Laboratoire MIPS (Modélisation, Inteligence, Processus, Systèmes).
 Annexe

Annexe
 ‫اﻝﻤﻠﺨص‪:‬‬

‫اﻝﻐرض ﻤن ﻫذﻩ اﻝﻤذﻜرة ﻫو إﻴﺠﺎد اﻝﻘﻴم اﻝﻨﺎﻗﺼﺔ اﻝﻤوﺠودة ﻓﻲ ﺴﻼﺴل ﻤﻌطﻴﺎت ﺘﺴﺎﻗط اﻷﻤطﺎر اﻝﺘﻲ‬

‫ﺘﺴﺒب ﻤﺸﺎﻜل ﻜﺒﻴرة أﺜﻨﺎء ﻋﻤﻠﻴﺔ ﻤراﻗﺒﺔ اﻝﺘﺴﺎﻗطﺎت ﺨﻼل ﻓﺘرات زﻤﻨﻴﺔ ﻤﺨﺘﻠﻔﺔ‪.‬‬

‫ﻝذا ﻜﺎن ﻤن اﻝﻀروري إﺠﺎد طرق إﺤﺼﺎﺌﻴﺔ وأدوات إﻋﻼم أﻝﻲ ﻝﻤﻠﺊ ﻫذﻩ اﻝﺜﻐرات‪.‬‬

‫إﻋﺘﻤدﻨﺎ ﻓﻲ دراﺴﺘﻨﺎ ﻫذﻩ إﺠراء ﺒﻌض اﻝﺘطﺒﻴﻘﺎت ﻋﻠﻰ ﺴﻼﺴل ﻤﻌطﻴﺎت ﺘﺴﺎﻗط اﻷﻤطﺎر ﻝﻔﺘرة زﻤﻨﻴﺔ ﺒﻴن‬

‫)‪ 2004‬و‪ (2008‬وﺘم إﺨﺘﻴﺎر ﻫذﻩ اﻝﻔﺘرة ﺒﺴﺒب ﺘوﻓرﻫﺎ ﻋﻠﻰ ﻤﻌطﻴﺎت اﻝﺘﺴﺎﻗط اﻝﻴوﻤﻲ ﻝﻤﺤطﺎت اﻝرﺼد‬

‫اﻝﻤدروﺴﺔ‪.‬‬

‫وﺒﻌد ﺘطﺒﻴق طرﻴﻘﺔ اﻝﻤﺘوﺴط اﻝﺤﺴﺎﺒﻲ و ﻤﺴﺎﻓﺔ ﻋﻜس اﻝﺘرﺠﻴﺢ )‪ (IDW‬و)‪ (RAN‬ﻤﻊ ﺒرﻨﺎﻤﺞ‬

‫)‪ (MATLAB , Rstudio‬ﺘﺤﺼﻠﻨﺎ ﻋﻠﻰ اﻝﻨﺘﺎﺌﺞ وﻤﻌﺎﻤﻼت اﻝﻀﺒط اﻝﺘﻲ ﺘﺴﻤﺢ ﻝﻨﺎ ﺒﺎﻝﻤﻘﺎرﻨﺔ ﺒﻴن ﻤﺨﺘﻠف‬

‫اﻝﻘﻴم‪.‬‬

‫أﺨﻴرا‪ ،‬ﻤن أﺠل اﻝﺤﺼول ﻋﻠﻰ ﻨﺘﺎﺌﺞ ﻤﻘﺒوﻝﺔ ﻝﺴد اﻝﺜﻐرات‪ ،‬اﺴﺘﺨدﻤﻨﺎ اﻷﺴﺎﻝﻴب وأدوات اﻝﻜﻤﺒﻴوﺘر‪ ،‬ﺤﻴث‬
‫ً‬

‫ﺘم اﺨﺘﻴﺎر طرﻴﻘﺔ ‪ RAN‬ﻜﺄﻓﻀل طرﻴﻘﺔ ﻝدراﺴﺘﻨﺎ‪.‬‬

‫اﻝﻜﻠﻤﺎت اﻝﻤﻔﺘﺎﺤﻴﺔ‪ :‬ﻤﺤطﺔ ﻗﻴﺎس اﻷﻤطﺎر ‪ ،‬ﺜﻐرات‪ ،‬اﻷﻤطﺎر‪ ،‬اﻝﺘﺴﺎﻗط‪ ،‬اﻝﺸﺒﻜﺔ اﻝﻌﺼﺒﻴﺔ اﻻﺼطﻨﺎﻋﻴﺔ‪،‬‬

‫ﻤﺴﺎﻓﺔ ﻋﻜس اﻝﺘرﺠﻴﺢ‪.‬‬

 RESUME

Le but de ce mémoire est d’exploiter les méthodes de comblement de lacunes dans les
séries des précipitations. Cet objectif a été fixé à cause des gros problèmes lors des mesures
des précipitations.

A cet effet, il est primordial de trouver les meilleurs moyens (technique de comblement)
pour compléter les séries des donnes et estimer les lacunes.

Dans cette étude, nous avons appliqués plusieurs méthodes de comblement sur les séries
des données pour une période allant de 2004 à 2008. Cette période a été sélectionnée en
raison de la disponibilité des données sur les précipitations journalières des stations de
mesures étudiées.

Après application de la moyenne arithmétique, l’interpolation inverse de distance (IDW)

et du réseau de neurones artificiels (RNA) en utilisant les outils MATLAB et logiciel R,
nous avons analyser les résultats des performances et les avons comparés. La comparaison
s’est fait en utilisant certain critères d’efficacités en plus de la visualisation graphique des
mesures observée et estimées.

Enfin, afin d’obtenir des résultats acceptables pour combler les lacunes, nous avons utilisé
des méthodes et des outils informatiques, la méthode (RAN) ayant été testée comme étant
la meilleure méthode de notre étude.

Mots clés : Station Pluviomètre, lacune, Pluie, Précipitations, réseaux de neurones

artificiels, interpolation inverse de distance.
 ABSTRACT

The purpose of this brief is to fill the gaps in the precipitation dataset that pose significant
problems in monitoring precipitation over different time periods.

It was therefore necessary to find better mathematical means and computer tools to
complete the tight data and estimate gaps.

In this study, we performed some data series applications for a period from 2004 to 2008.
This period was selected due to the availability of daily precipitation data from the
monitoring stations studied.

After applying the arithmetic mean, the inverse distance interpolation (IDW) and the
artificial neural network (RAN) (with MATLAB, software R), we obtained the results and
the control parameters allowing to compare the different values.

Finally, in order to obtain acceptable results to fill the gaps, we used methods and computer
tools, the (RAN) method having been tested as the best method of our study.

Keywords: Rain Gauge Station, filling, gap Rainfall, precipitation, artificial neural
networks, inverse interpolation of distance.