Vous êtes sur la page 1sur 10
Seediscussions,stats,andauthorprofilesforthispublicationat: https://www.researchgate.net/publication/259007618 Les

Seediscussions,stats,andauthorprofilesforthispublicationat:https://www.researchgate.net/publication/259007618

Les réseaux de neurones et la régression multiple en prédiction de l'érosion spécifique: Cas du bassin hydrographique

Article·January2013

CITATION

1

3authors:

1 PUBLICATION 1 CITATION

8 PUBLICATIONS 2 CITATIONS

Allin-textreferencesunderlinedinbluearelinkedtopublicationsonResearchGate,

lettingyouaccessandreadthemimmediately.

READS

114

lettingyouaccessandreadthemimmediately. READS 114 BéninaTouaibia

EcoleNationaleSupérieured'hydaulique.Blida…

35 PUBLICATIONS 67 CITATIONS

Availablefrom:BéninaTouaibia

Retrievedon:16November2016

This article was downloaded by: [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] On: 01 November 2013, At: 12:01 Publisher: Taylor & Francis Informa Ltd Registered in England and Wales Registered Number: 1072954 Registered office: Mortimer House, 37-41 Mortimer Street, London W1T 3JH, UK

Mortimer House, 37-41 Mortimer Street, London W1T 3JH, UK Hydrological Sciences Journal Publication details, including

Hydrological Sciences Journal

Publication details, including instructions for authors and subscription information:

Les réseaux de neurones et la régression multiple en prédiction de l’érosion spécifique: cas du bassin hydrographique Algérois-Hodna-Soummam (Algérie)

Chahrazed Salhi a , Bénina Touaibia b & Ayoub Zeroual c

a Office National de l’Irrigation et du Drainage, LR-MVRE, El Marsa, Alger, Algérie

b Ecole Nationale Supérieure d’Hydraulique, LR- MVRE, Blida, Algérie

c Ecole Nationale Supérieure d’Hydraulique, LR – GEE, Blida, Algérie Published online: 06 Aug 2013.

To cite this article: Chahrazed Salhi, B é nina Touaibia & Ayoub Zeroual (2013) Les r é seaux de neurones et la r é gression multiple en prédiction de l’érosion spécifique: cas du bassin hydrographique Algérois-Hodna-Soummam (Algérie), Hydrological Sciences Journal, 58:7, 1573-1580, DOI: 10.1080/02626667.2013.824090

PLEASE SCROLL DOWN FOR ARTICLE

Taylor & Francis makes every effort to ensure the accuracy of all the information (the “Content”) contained in the publications on our platform. However, Taylor & Francis, our agents, and our licensors make no representations or warranties whatsoever as to the accuracy, completeness, or suitability for any purpose of the Content. Any opinions and views expressed in this publication are the opinions and views of the authors, and are not the views of or endorsed by Taylor & Francis. The accuracy of the Content should not be relied upon and should be independently verified with primary sources of information. Taylor and Francis shall not be liable for any losses, actions, claims, proceedings, demands, costs, expenses, damages, and other liabilities whatsoever or howsoever caused arising directly or indirectly in connection with, in relation to or arising out of the use of the Content.

This article may be used for research, teaching, and private study purposes. Any substantial or systematic reproduction, redistribution, reselling, loan, sub-licensing, systematic supply, or distribution in any form to anyone is expressly forbidden. Terms & Conditions of access and use can be found at http:// www.tandfonline.com/page/terms-and-conditions

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

Hydrological Sciences Journal – Journal des Sciences Hydrologiques , 58 (7) 2013

http://dx.doi.org/10.1080/02626667.2013.824090

1573

Les réseaux de neurones et la régression multiple en prédiction de l’érosion spécifique: cas du bassin hydrographique Algérois- Hodna-Soummam (Algérie)

Chahrazed Salhi 1 , Bénina Touaibia 2 et Ayoub Zeroual 3

1 Office National de l’Irrigation et du Drainage, LR-MVRE, El Marsa, Alger, Algérie chahrazedsalhi@gmail.com

2 Ecole Nationale Supérieure d’Hydraulique, LR- MVRE, Blida, Algérie

3 Ecole Nationale Supérieure d’Hydraulique, LR – GEE, Blida, Algérie

Reçu le 26 août 2011; accepté le 5 mars 2013; la discussion concernant cet article est ouverte jusqu’au 1er avril 2014

Editeur Z.W. Kundzewicz; Editeur associé G. Mahé

Citation Salhi, C., Touaibia, B., et Zeroual, A., 2013. Les réseaux de neurones et la régression multiple en prédiction de l’érosion spécifique: cas du bassin hydrographique Algérois-Hodna-Soummam (Algérie). Hydrological Sciences Journal , 58 (7), 1573–1580.

Résumé Dans ce travail, des modèles de prévision de l’érosion spécifique des bassins versants en insuffisance voire en absence de jaugeages ont été élaborés, en fonction des paramètres climatiques, hydromorphométriques et de la couverture végétale, au droit des sites de barrages et retenues collinaires dans le bassin très érodé qu’est l’Algérois-Hodna-Soummam. Les paramètres régissant l’érosion ont été soigneusement sélectionnés sur la base d’une recherche bibliographique et regroupés en deux catégories distinctes par le biais de l’analyse en composantes principales. Deux méthodes statistiques ont été appliquées: la première, basée sur la régression multiple et la deux- ième sur les réseaux de neurones artificiels. Des résultats très satisfaisants sont obtenus en testant, par validation croisée, la validité du modèle neuronal composé de: 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.

Mots clefs prévision; érosion spécifique; barrages; régression multiple; réseaux de neurones; bassin versant Algérois-Hodna- Soummam (AHS); Algérie

Neural networks and multiple regression approaches in the prediction of specific erosion: case of the Algérois-Hodna-Soummam basin, Algeria

Abstract Predicting specific erosion at the basin scale is essential in order to help prevent or forecast soil loss problems, water-quality degradation and the impairment of riparian ecosystems. In this study, models were defined to predict specific erosion of an ungauged basin according to hydromorphometric parameters, climatic parameters and vegetation cover, at the sites of dams and small dams in a highly eroded basin, the Algérois-Hodna-Soummam. The governing characteristics were carefully selected based on literature survey, examined and grouped into two zones by principal component analysis. Two methods were used: multiple regression and static neural networks. Very satisfactory results were obtained in testing the validity of the neural networks model by cross-validation— the model being composed of: average annual flow, drainage density, average slope of basin, and average annual rainfall in the input layer—with a determination coefficient of 0.81 and a mean square error of 0.19.

Key words prediction; specific erosion; dams; multiple regression; neural networks, Algérois-Hodna-Soummam (AHS) basin; Algeria

INTRODUCTION

L’érosion, phénomène très complexe, lié à des facteurs naturels et anthropiques difficilement maîtrisables, affecte beaucoup les terres arables

© 2013 IAHS Press

et la capacité d’emmagasinement des barrages. En Algérie septentrionale, l’érosion hydrique est très caractéristique, favorisée par des conditions topographiques, physiques, géomorphologiques, climatiques, hydrologiques et socio-économiques

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

1574

Chahrazed Salhi et al.

spécifiques. Cependant, la quantification des apports

solides dans les oueds reste peu aisée, suite à la vari- abilité temporelle et spatiale du régime hydrologique conjuguée à une insuffisance de données disponibles

y afférant. Seule l’approche par la modélisation

des phénomènes d’érosion et du transport solide

permettra de mieux les aborder. En zone semi-aride, plusieurs relations fonctionnelles liant l’érosion aux paramètres explicatifs ont été mises au point,

à savoir celle de Demmak (1984 ), Kassoul et al.

( 1997 ) et Touaïbia et Achite (2003), ainsi que celle de Achite et Meddi (2005 ). Des modèles plus globaux ont été développés sous d’autres climats, citons ceux de Walling et Webb ( 1981 ) et de Ferguson

( 1987 ). Quantifier et prédire l’érosion spécifique,

en insuffisance, voir en l’absence de données de jaugeages reste le but principal de ce travail, con- sistant en l’utilisation des paramètres climatiques, hydromorphométriques et de couvert végétal des sous bassins au droit de 56 ouvrages (barrages, petits barrages et retenues collinaires) envasés ou en cours d’envasement, implantés dans le bassin étudié Algérois-Hodna-Soummam (AHS). La méthodolo- gie adoptée a consisté d’abord en l’utilisation de l’analyse en composantes principales (ACP) pour mettre en évidence les affinités entre les différents sites des ouvrages retenus et d’en déduire la zon- alité par rapport aux différents paramètres utilisés. Ensuite, des modèles liant l’érosion spécifique aux paramètres climatiques, hydromorphométriques et de couverture végétale ont été développés par la méthode de la régression multiple sur les deux zones distinctes identifiées par l’ACP, alors que les réseaux de neurones statistiques ont été appliqués sur l’ensemble des données. Le choix a porté sur le bassin hydrographique AHS, vu sa position géographique ( Fig. 1), sa pop- ulation en perpétuelle croissance, son développe- ment économique, son agriculture intensive et le nombre important d’ouvrages de mobilisation de la ressource en eau existants. Il couvre une superfi- cie de 47 875 km 2 et il est limité au Nord par la

Mer Méditerranée, à l’Ouest par le bassin du Cheliff- Zahres, à l’Est par celui du Constantinois et au Sud par le bassin du Sahara. Trois grands sous bassins ver- sants le composent: Algérois, Hodna et Soummam.

Sa pluviométrie moyenne annuelle fluctue entre 300

à 1500 mm au Nord dans la région côtière et 200 à 500 mm au Sud. Sa température moyenne mensuelle oscille entre 6 et 12 C pour les minima et 16 et 25 C pour les maxima (ABH 2004 ). Son climat varie du

type méditerranéen sur le littoral et l’Atlas tellien à semi-aride sur les hauts plateaux.

DONNÉES

La constitution de la banque de données a été fastidieuse et a constitué l’étape la plus déli- cate. En dehors des enregistrements hydrométriques réalisés par l’Agence Nationale des Ressources Hydriques (ANRH), une enquête recensant l’état des d’envasement des ouvrages existants de mobilisation d’eau a été réalisée, pouvant apporter une infor- mation sur la quantité de sédiments déposés. Les ouvrages choisis, au nombre de 56, sont des bar- rages, petits barrages et retenues collinaires. 20 sta- tions pluviométriques et 11 stations hydrométriques situées dans l’environnement des ouvrages étudiés, ont également été sélectionnées ( Fig. 1 ). Le recours à l’imagerie satellitaire « Landsat UTM + » en 2010 par l’Institut National de Cartographie et de Télédétection (INCT) avec une résolution de 30 m × 30 m, a per- mis d’identifier la surface occupée par le couvert végétal pour les sous bassins étudiés. L’information est complétée par des levés bathymétriques, afin d’estimer les dépôts de sédiments dans les cuvettes de barrages. Pour les retenues collinaires complète- ment envasées, le recours à la courbe topographique (volume–hauteur) a permis de quantifier les sédi- ments déposés au cours de sa période de service.

Application de l’analyse en composantes principales (ACP)

Cinquante-six (56) individus (sites d’ouvrages retenus) et neuf variables— S : superficie du bassin versant (km 2 ), Per: périmètre du bassin versant de l’ouvrage (km), H max: altitude maximale (m), H min:

altitude minimale (m), I m: pente moyenne du bassin versant (%), D : densité de drainage (km / km 2 ), C V (%):

couvert végétal (%), P (mm): précipitation moyenne annuelle et (mm) Le (mm): lame écoulée—ont fait l’objet d’une ACP (mm). Les valeurs propres de la matrice de corrélation, le pourcentage de la variance expliquée et la variance cumulée par chacun des axes sont résumés dans le Tableau 1 . Les trois premières composantes, C 1 , C 2 et C 3 , expliquant 74,07% de l’information totale, ont été retenues. Les variables explicatives choisies sont projetées sur les axes principaux C 1 , C 2 et C 3 . Quatre groupes de sites de bassins d’ouvrages se sont dégagés: celui ayant une forte pluviométrie, une importante lame ruisselée et une bonne couver- ture végétale, le second ayant d’importantes surfaces des bassins, le troisième ayant une forte densité de drainage et d’érosion spécifique et le quatrième

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

Prédiction de l’érosion spécifique au bassin AHS

1575

Prédiction de l’érosion spécifique au bassin AHS 1575 Fig. 1 Bassin AHS et implantation des ouvrages

Fig. 1 Bassin AHS et implantation des ouvrages d’étude.

Tableau 1 Valeurs propres, pourcentage de variance et cumuls.

Axes

C 1

C 2

C 3

C 4

C 5

Valeurs propres

3,46

2,44

1,48

0,97

0,53

Variances expliquées (%) 34,56 24,68 14,84

9,70

5,33

Variances cumulées (%) 34,56 59,24 74,07 83,77 89,10

ayant un faible ruissellement. La projection des indi- vidus sur les axes principaux C 1 –C 2 et C 1 –C 3 laisse apparaître:

(a) Sur le plan C 1 –C 2 ( Fig. 2(a)), trois ensembles (groupes) de bassins d’ouvrages sont mis en valeur:

(i) ayant des fortes valeurs de précipitation moyenne, de lame écoulée et de couvert végétal, il s’agit de: Taksebt (3), Ain

Zouaoua (4), Oued Skhouna (5), Fréha (6), DAS Bourahla 1(7), DAS Bourahla 2(8), Kouanine (9), Naciria (10), Sidi Daoud (11), Boussedoum (12), Ighil Libene (19), Chabet Merdja (20), Gominsis (21), Djedala (22), Bouchiouane (23), Bergoug (29) et Draout (33);

(ii)

ayant une importante surface relativement aux autres; il s’agit de : Beni Amrane (1) et Ain Zada (2); et

(iii)

ayant une lame écoulée faible.

(b)

Sur le plan C 1 –C 3 ( Fig. 2(b)) met égale- ment en évidence trois groupes de bassins d’ouvrages:

(i) ayant des fortes valeurs de précipitation, de lame écoulée et de couvert végé- tal, à savoir: Taksebt (3), Ain Zouaoua (4), Oued Skhouna (5), Fréha (6), DAS

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

1576

Chahrazed Salhi et al.

Bourahla 1 (7), DAS Bourahla 2 (8), Kouanine (9), Naciria (10), Sidi Daoud (11), Boussedoum (12), Ighil Libene (19), Chabet Merdja (20), Gominsis (21), Djedala (22), Bouchiouane (23) et Bergoug (29); (ii) formé par le bassin de Draout (33), représente une forte densité de drainage et d’érosion spécifique relativement aux autres bassins; et

(iii) ayant une faible lame écoulée.

L’ACP a permis de mettre en évidence les affinités entre les différents sites des ouvrages retenus et d’en déduire les paramètres qui les caractérisent au mieux. Sur la base des regroupements donnés par l’ACP et pour mettre en évidence cette zonalité par rapport aux différents paramètres utilisés, deux groupes de sites distincts se sont dégagés: le premier groupe, ayant des fortes valeurs de précipitation, de lame écoulée et de couvert végétal, représenté par 17 ouvrages et le deuxième groupe, ayant une faible lame écoulée, représenté par 37 ouvrages. Les résultats sont résumés dans le Tableau 2 .

6.0 (a) C2 1 24,68 % de la variance totale 5.0 2 4.0 3.0 3
6.0
(a)
C2
1 24,68 %
de la variance
totale
5.0
2
4.0
3.0
3
2
2.0
1
1.0
3
23
7
4
21 9
51
41 42
12
54 22
30 16 0.0
8
50 28
56
55
29
10
–2
36 38
4544 27
5 20
19
2
48 18
15
11 C1
31
13 14
17 17
35
53 26
40 25
39 52
24 47
34
49
43 46
6 34,56%
37
33
–1.0
de la variance
totale
–2.0
C3 6.0 (b) 14,84 % de la variance totale 33 5.0 2 4.0 3.0 2.0
C3
6.0
(b)
14,84 %
de la variance
totale
33
5.0
2
4.0
3.0
2.0
37
26
1.0
2 3
31
34
47
1 3
13
52
8
35
1
7
39
46
12
43
11
36
40
19 10
17 17 28
27 42
0.0
24 49
51 38
–2
25
2
6
C1
50 41
44
21 20
48 15
54
34,56%
53
45 14 56
29 22 5
23
18 55
9
30 16 –1.0
de la variance
totale
4
–2.0

Fig. 2 Projection des individus sur le plan des axes principaux (a) C 1 –C 2 , et (b) C 1 –C 3 .

Prédiction de l’érosion spécifique au bassin AHS

1577

Tableau 2 Etendues des paramètres des deux groupes identifiés par l’ACP.

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

 

S

Per

H max

H min

P

Le

D (km / km 2 )

I m

C V

(km 2 )

(km)

(m)

(m)

(mm)

(mm)

(%)

(%)

Premier groupe

Moyenne

33,69

13,78

665

305

631

140

3,21

22,00

26,26

Maximum

454,24

101,16

2150

560

903

431

4,72

47,70

64,96

Minimum

0,18

1,61

169

60

257

35

0,88

6,42

0,01

Deuxième groupe

Moyenne

8,44

11,70

1000

755

384

48

2,95

14,78

7,99

Maximum

47,00

30,00

1400

1120

780

175

4,91

22,70

32,28

Minimum

0,58

3,06

236

140

179

15

1,40

7,00

0,01

Application de la régression multiple (RM)

L’analyse de la régression pas à pas a permis d’identifier la relation fonctionnelle reliant l’érosion spécifique (Es) aux différentes variables explicatives. Les variables sont introduites, une à une, donnant ainsi, des modèles à une ou plusieurs variables. Les variables introduites sont celles qui possèdent le meilleur coefficient de Fisher-Snedecor pour une erreur α = 5%. Le choix du modèle retenu est basé sur le coefficient de détermination (R 2 -ajusté), l’erreur quadratique moyenne (MSE) et le C p de Mallows (Tableau 3 ). Ce dernier proposé par Mallows (1973) cité dans Sinnakaudan et al. ( 2006 ), est basé sur la recherche des régresseurs ayant le meilleur pouvoir prédictif, c’est à dire la plus petite erreur moyenne totale. En effet, si les régresseurs sont ajoutés, le biais des estimations sera moindre mais les variances des estimations avec l’erreur moyenne totale seraient élevées (Daniel et Wood 1980 ). L’expression de C p de Mallows est formulée par:

C p = (n p 1) MSE j [n 2(p + 1)] (1) MSE

Tableau 3 Résultats de la régression multiple.

n est la taille de la série; p est le nombre de variables explicatives; MSE j est l’erreur quadratique moyenne pour un modèle à j variables explicatives; et MSE est l’erreur quadratique moyenne du modèle complet. Si le bon modèle est choisi, l’estimation n’est pas biaisée, le C p sera proche de ( p + 1), et si le C p vaut (p + 1), la même précision que la régression globale sera obtenu (MSE j = MSE). Les modèles choisis sont respectivement for- mulés par les relations (2) et (3) pour le premier et le deuxième groupe:

Es = 0,04 Per - 0,57 P 1,23 Le 0,72

(2)

Es = 1348,18 D 132,19I m

19,69 S + 15,86 C V + 1,01H min

+ 4,28L e 1338,95

(3)

Variables

Es (premier groupe)

 

Variables

Es (deuxième groupe)

 

R 2

R 2 -ajusté

C p

MSE

R 2

R 2 -ajusté

C p

MSE

Régression linéaire multiple:

 

P

0,51

0,51

2,89

1 142 596 793 253 714 425 680 012

D D , I m D , I m , S D , I m , S , C V D , I m , S , C V , H min D , I m , S, C V , H min , Le

0,32

0,32

4,20

1 304 677 1 104 224 1 069 539 1 077 481 1 092 290 1 108 513

P , D P , D, Le P , D , Le H min

0,69

0,67

0,40

0,45

0,43

0,38

0,74

0,70

0,02

0,47

0,44

0,21

0,77

0,72

1,00

0,49

0,44

1,10

 

0,51

0,45

2,60

0,53

0,45

4,10

Régression multiple non linéaire :

 

Per Per, Le Per, Le, P Per, Le, P C V

0,45

0,45

37,41

0,73

D D, I m D , I m , C V D , I m , Cv , P

0,42

0,42

0,07

1,07

0,72

0,70

14,88

0,39

0,52

0,51

1,44

0,97

0,86

0,84

6,24

0,24

0,55

0,52

0,65

0,97

0,92

0,90

0,80

0,13

0,56

0,52

0,91

0,99

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

1578

Chahrazed Salhi et al.

Application de la méthode des réseaux de neurones artificiels (RNA)

Depuis une dizaine d’années, l’application des RNA en hydrologie a considérablement évolué, notam- ment pour la prévision des débits (Coulibaly et al. 2000 ). Les réseaux de neurones artificiels (RNA) sont des modèles mathématiques non linéaires de type « black-box » (boîte noire). Leur principe repose sur l’apprentissage à la manière des réseaux de neurones biologiques dont ils tirent leur nom. L’apprentissage donne la capacité d’approcher un phénomène à partir des couples entrée-sortie enregistrés sur un système. Le perceptron multicouche (PMC) est le type de RNA le plus répandu en prévision hydrologique car il est particulièrement adapté au traitement d’information vectorielle (Rosenblatt 1958 ). Les réseaux de neurones utilisés dans la présente étude sont constitués de trois couches: entrée, cachée et sortie (Fig. 3). La couche d’entrée est constituée de toutes les entrées du modèle. Chacune de ces entrées est transmise à tous les neurones de la couche cachée où elle est pondérée par un poids ( W ij ) multipli- catif. Un biais (0 ou 1) est additionné à la somme des entrées pondérées pour produire un résultat inter- médiaire modulé par une fonction de transfert, puis transmis aux neurones de la couche de sortie où elle est pondérée par un poids (W jk ) et où se répètent les mêmes opérations menant aux sorties du modèle (la couche de sortie comportera autant de neurones que de variables à modéliser). Pour prédire l’érosion spécifique au droit des ouvrages retenus, les caractéristiques,climatiques, hydromorphométriques et de couverture végétale de 56 ouvrages sont prises en considération à l’entrée du réseau. Les vecteurs d’entrées ainsi que le vecteur contenant les valeurs cibles à obtenir en sortie sont centrées et réduites avant d’être exploités afin d’obtenir des distributions centrées unitaires pour que

le réseau n’ait pas à combiner des distributions très différentes. Plusieurs modèles de RNA possibles ont été construits et examinés, en se basant sur les combi- naisons possibles des paramètres afin d’optimiser et d’affiner le modèle à retenir. Pour atteindre cet objec- tif, on a fait varier le nombre de neurones et les fonctions de transfert dans la couche cachée (fonc- tions logsigmoïde et tangente sigmoïde). De ce fait, il est nécessaire d’ajuster les paramètres du modèle pour obtenir une performance optimale. La base de données disponibles a été divisée en deux, soit 80% pour le calage des poids et des biais et 20% pour la validation. Lors de l’étape d’apprentissage, l’érosion spécifique a été comparée avec la réponse du mod- èle. Ensuite, la dérivée d’une fonction nommée coût, basée sur la variance de l’erreur, a été calculée et les poids et biais du réseau ont été modifiés en con- séquence (Nohair et al. 2008 ). La méthode la plus utilisée pour déterminer ces dérivées est la méthode de rétropropagation de l’erreur utilisant l’algorithme de Levenberg-Marquardt, qui assure la meilleure con- vergence vers un minimum d’erreur quadratique pour les problèmes d’approximation des fonctions (ou régression) où le nombre des poids du réseau est restreint (Norgaaed, 1997 ). Une fois le calage réalisé, les données conservées pour la validation ont été fournies au réseau. Cette fois, seuls les vecteurs d’entrée ont été transmis au modèle et non les valeurs cibles à prévoir. La perfor- mance du modèle peut être évaluée grâce à plusieurs indicateurs, parmi lesquels, nous avons retenu l’erreur quadratique moyenne (MSE) et le coefficient de déter- mination R 2 entre l’érosion spécifique observée et l’érosion spécifique simulée par le modèle RNA. Le modèle le plus performant a été obtenu pour quatre variables d’entrées ( P , Le, D , I m ), un nombre de neurones de quatre dans la couche cachée avec la fonction de transfert tangente sigmoïde et un neurone

cachée avec la fonction de transfert tangente sigmoïde et un neurone Fig. 3 Architecture du modèle

Fig. 3 Architecture du modèle neuronal choisi.

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

Prédiction de l’érosion spécifique au bassin AHS

1579

RNA avec bootstrap R 2 = 0.65 6 000 RNA R 2 = 0.81 4
RNA avec bootstrap R 2 = 0.65
6
000
RNA R 2 = 0.81
4
000
2
000
0
0
2000
4000
6000
Erosion simulée (t/km 2 )

Erosion observée (t/km 2 )

Fig. 4 Erosion simulée–érosion observée.

dans la couche de sortie avec une fonction de trans- fert linéaire, ce qui correspond au minimum d’erreur de MSE par la validation croisée (MSE = 0,19). Les résultats obtenus montrent une très bonne concor- dance expliquée par un coefficient de détermination significatif (R 2 = 0,81) entre l’érosion spécifique observée et l’érosion spécifique simulée par le mod- èle RNA (Fig. 4) donc un coefficient de corrélation

significatif au vu du coefficient de corrélation critique de la table de Fisher (Dagnelie 1992 ). La base de données a été divisée en deux phases. Pour répondre aux objectifs de cette stratégie adaptée

à un échantillon d’effectif trop restreint et faire face au problème de sur-apprentissage (« overfitting »), la méthode du « bootstrap » a été utilisée pour la

simulation des séries de taille suffisante à partir de l’échantillon initial (trop réduit), pour l’utiliser dans la phase « apprentissage et test » afin de réduire la variance et améliorer la précision de la prédiction (Zeroual et al . 2010 ). Le bootstrap proposé par Efron ( 1993 ) est une technique aujourd’hui très étudiée dans

le cadre de l’inférence statistique, notamment pour les

problèmes pour lesquels les échantillons d’exemples sont de petite taille. Le nombre d’échantillons de bootstrap N , considérés comme étant des variables,

a été choisi après plusieurs essais, de telle sorte que les réseaux établis soient optimisés.

Le modèle le plus performant a été obtenu avec 170 échantillons de bootstrap utilisés pour l’apprentissage et le test et les 56 ouvrages retenus sont utilisés pour la validation, ce qui correspond à un minimum d’erreur de MSE (MSE = 0,13). Les données de l’érosion spécifique simulées et observées forment un nuage des points situés autour de la droite (y = x ) ( Fig. 4 ), avec une bonne concordance expliquée par un coefficient de détermination signifi- catif (R 2 = 0,65). Le Tableau 4 illustre la comparaison des MSE et les coefficients de détermination R 2 obtenus par les deux modèles de prévision RNA et RM. Ces deux paramètres indiquent la meilleure performance et convergence du modèle des réseaux de neurones par rapport à la régression multiple, l’erreur de la prévision de l’érosion spécifique des cours d’eau par la régression multiple linéaire restant considérable.

CONCLUSION

Ce travail a été effectué dans le but de prévoir l’érosion spécifique à partir d’un maximum de carac- téristiques de forme du bassin, des paramètres clima- tiques et du couvert végétal à l’aide de deux méthodes précises qui sont: la méthode des réseaux de neurones (RNA) et la régression multiple (RM). Les résul- tats de la modélisation et la prévision de l’érosion spécifique annuelle obtenus en utilisant le modèle neuronal, à partir des entrées (centrées et réduites):

densité de drainage D (km/km 2 ), pente moyenne du bassin I m (%), précipitation moyenne P (mm) et lame écoulée Le (mm), montrent une très bonne concordance expliquée par un coefficient de détermi- nation R 2 significatif (0,81) et une erreur quadratique moyenne (MSE) de 0,19. Par comparaison avec le modèle plus classique qu’est la regression multi- ple (RM) appliqué sur les mêmes données utilisées dans la méthode neuronale, les résultats obtenus indiquent que les modèles connexionnistes possè- dent un meilleur pouvoir prévisionnel. La statistique apportée par le bootstrap permet le contrôle automa- tique de l’arrêt de l’apprentissage et fournit une statistique robuste de l’erreur de prévision.

Tableau 4 Comparaison de MSE et R 2 des modèles de RNA et RM.

 

Régression multiple

Régression multiple non linéaire

RNA

RNA avec « bootstrap »

linéaire

MSE

1 108 513

0,24

0,19

0,13

R 2

0,53

0,86

0,81

0,65

Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bénina Touaibia] at 12:01 01 November 2013

1580

Chahrazed Salhi et al.

Metra Nota Cet article est une version révisée d’une présentation à un atelier scientifique sur le thème « Relations homme / environnement et trans- ports solides : une approche spatialisée » qui a eu lieu à Tipaza, Algérie, les 7 et 8 juin 2011, dans le cadre du programme SIGMED (Approche spatialisée de l’impact des activités agricoles au Maghreb sur les transports solides et les ressources en eau des grands bassins versants), soutenu par l’Agence Universitaire de la Francophonie (MeRSI 6313PS005) et co-sponsorisé par le pro- gramme MEDFRIEND de l’UNESCO (Programme Hydrologique International).

REFERENCES

Norgaaed, M., 1997. Neural network based system identification tool- box version 1.1 for use with MATLAB. Lyngby, Denmark:

Technical University of Denmark, Department of Automation, Report no. 97. Rosenblatt, F., 1958. The perceptron: a probabilistic model for infor- mation storage and organization in the brain. Psychological Review , 65, 386–408. Sinnakaudan, S., et al ., 2006. Multiple linear regression model for total bed material load prediction. Journal of Hydraulic Engineering . 132 (5), 521–528. Touaibia, B. et Achite, M., 2003. Contribution à un essai car- tographique de l’érosion spécifique du bassin versant de l’Oued Mina en Zone Semi-aride de l’Algérie septen- trionale. Hydrological Sciences Journal / Journal des Sciences Hydrologiques, 48 (2), 235–242. http://iahs.info/hsj/ 482/hysj_48_02_0235.pdf [accédé le 8 juillet 2013] Walling, D.E. et Webb, D.W., 1981. The reliability of suspended sediment load data. Dans : D. Walling et P. Tacconi, eds. Erosion and sediment transport measurement / Mesure de l’érosion et du transport des sediments . Wallingford, UK: IAHS Press, IAHS Publ. 133, 177–194. http://iahs.info/redbooks/ a133/iahs_133_0177.pdf [accédé le 8 juillet 2013] Zeroual, A., Touaibia, B., et Ammari, A., 2010. Application des réseaux de neurones en insuffisance de jaugeage pour le tarage: cas du Côtier Algérois. Dans : E. Servat et al . eds. Global change: Facing risks and threats to water resources (6 th World FRIEND Conference, Fez, Maroc, 25–29 octo- bre 2010). Wallingford, UK: IAHS Press, IAHS Publ. 340,

409–417.