Vous êtes sur la page 1sur 9

Hydrological Sciences Journal

ISSN: 0262-6667 (Print) 2150-3435 (Online) Journal homepage: https://www.tandfonline.com/loi/thsj20

Les réseaux de neurones et la régression multiple


en prédiction de l’érosion spécifique: cas du
bassin hydrographique Algérois-Hodna-Soummam
(Algérie)

Chahrazed Salhi, Bénina Touaibia & Ayoub Zeroual

To cite this article: Chahrazed Salhi, Bénina Touaibia & Ayoub Zeroual (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, DOI: 10.1080/02626667.2013.824090

To link to this article: https://doi.org/10.1080/02626667.2013.824090

Published online: 06 Aug 2013.

Submit your article to this journal

Article views: 726

View related articles

Citing articles: 3 View citing articles

Full Terms & Conditions of access and use can be found at


https://www.tandfonline.com/action/journalInformation?journalCode=thsj20
Hydrological Sciences Journal – Journal des Sciences Hydrologiques, 58 (7) 2013 1573
http://dx.doi.org/10.1080/02626667.2013.824090

Les réseaux de neurones et la régression multiple en prédiction de


l’érosion spécifique: cas du bassin hydrographique Algérois-
Hodna-Soummam (Algérie)

Chahrazed Salhi1 , Bénina Touaibia2 et Ayoub Zeroual3


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 et la capacité d’emmagasinement des barrages.


En Algérie septentrionale, l’érosion hydrique est
L’érosion, phénomène très complexe, lié à des très caractéristique, favorisée par des conditions
facteurs naturels et anthropiques difficilement topographiques, physiques, géomorphologiques,
maîtrisables, affecte beaucoup les terres arables climatiques, hydrologiques et socio-économiques

© 2013 IAHS Press


1574 Chahrazed Salhi et al.

spécifiques. Cependant, la quantification des apports DONNÉES


solides dans les oueds reste peu aisée, suite à la vari-
abilité temporelle et spatiale du régime hydrologique La constitution de la banque de données a été
conjuguée à une insuffisance de données disponibles fastidieuse et a constitué l’étape la plus déli-
y afférant. Seule l’approche par la modélisation cate. En dehors des enregistrements hydrométriques
des phénomènes d’érosion et du transport solide réalisés par l’Agence Nationale des Ressources
permettra de mieux les aborder. En zone semi-aride, Hydriques (ANRH), une enquête recensant l’état des
plusieurs relations fonctionnelles liant l’érosion d’envasement des ouvrages existants de mobilisation
aux paramètres explicatifs ont été mises au point, d’eau a été réalisée, pouvant apporter une infor-
à savoir celle de Demmak (1984), Kassoul et al. mation sur la quantité de sédiments déposés. Les
(1997) et Touaïbia et Achite (2003), ainsi que celle de ouvrages choisis, au nombre de 56, sont des bar-
Achite et Meddi (2005). Des modèles plus globaux rages, petits barrages et retenues collinaires. 20 sta-
ont été développés sous d’autres climats, citons tions pluviométriques et 11 stations hydrométriques
ceux de Walling et Webb (1981) et de Ferguson situées dans l’environnement des ouvrages étudiés,
(1987). Quantifier et prédire l’érosion spécifique, ont également été sélectionnées (Fig. 1). Le recours à
en insuffisance, voir en l’absence de données de l’imagerie satellitaire « Landsat UTM+ » en 2010 par
jaugeages reste le but principal de ce travail, con- l’Institut National de Cartographie et de Télédétection
sistant en l’utilisation des paramètres climatiques, (INCT) avec une résolution de 30 m × 30 m, a per-
hydromorphométriques et de couvert végétal des mis d’identifier la surface occupée par le couvert
sous bassins au droit de 56 ouvrages (barrages, végétal pour les sous bassins étudiés. L’information
petits barrages et retenues collinaires) envasés ou en est complétée par des levés bathymétriques, afin
cours d’envasement, implantés dans le bassin étudié d’estimer les dépôts de sédiments dans les cuvettes
Algérois-Hodna-Soummam (AHS). La méthodolo- de barrages. Pour les retenues collinaires complète-
gie adoptée a consisté d’abord en l’utilisation de ment envasées, le recours à la courbe topographique
l’analyse en composantes principales (ACP) pour (volume–hauteur) a permis de quantifier les sédi-
mettre en évidence les affinités entre les différents ments déposés au cours de sa période de service.
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
Application de l’analyse en composantes
paramètres climatiques, hydromorphométriques et
principales (ACP)
de couverture végétale ont été développés par la
méthode de la régression multiple sur les deux Cinquante-six (56) individus (sites d’ouvrages
zones distinctes identifiées par l’ACP, alors que les retenus) et neuf variables—S: superficie du bassin
réseaux de neurones statistiques ont été appliqués sur versant (km2 ), Per: périmètre du bassin versant de
l’ensemble des données. l’ouvrage (km), H max: altitude maximale (m), H min:
Le choix a porté sur le bassin hydrographique altitude minimale (m), I m: pente moyenne du bassin
AHS, vu sa position géographique (Fig. 1), sa pop- versant (%), D: densité de drainage (km/km2 ), C V (%):
ulation en perpétuelle croissance, son développe- couvert végétal (%), P (mm): précipitation moyenne
ment économique, son agriculture intensive et le annuelle et (mm) Le (mm): lame écoulée—ont fait
nombre important d’ouvrages de mobilisation de la l’objet d’une ACP (mm). Les valeurs propres de la
ressource en eau existants. Il couvre une superfi- matrice de corrélation, le pourcentage de la variance
cie de 47 875 km2 et il est limité au Nord par la expliquée et la variance cumulée par chacun des axes
Mer Méditerranée, à l’Ouest par le bassin du Cheliff- sont résumés dans le Tableau 1.
Zahres, à l’Est par celui du Constantinois et au Sud Les trois premières composantes, C1 , C2 et C3 ,
par le bassin du Sahara. Trois grands sous bassins ver- expliquant 74,07% de l’information totale, ont été
sants le composent: Algérois, Hodna et Soummam. retenues. Les variables explicatives choisies sont
Sa pluviométrie moyenne annuelle fluctue entre 300 projetées sur les axes principaux C1 , C2 et C3 .
à 1500 mm au Nord dans la région côtière et 200 à Quatre groupes de sites de bassins d’ouvrages se
500 mm au Sud. Sa température moyenne mensuelle sont dégagés: celui ayant une forte pluviométrie,
oscille entre 6 et 12◦ C pour les minima et 16 et 25◦ C une importante lame ruisselée et une bonne couver-
pour les maxima (ABH 2004). Son climat varie du ture végétale, le second ayant d’importantes surfaces
type méditerranéen sur le littoral et l’Atlas tellien à des bassins, le troisième ayant une forte densité
semi-aride sur les hauts plateaux. de drainage et d’érosion spécifique et le quatrième
Prédiction de l’érosion spécifique au bassin AHS 1575

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

Tableau 1 Valeurs propres, pourcentage de variance et Zouaoua (4), Oued Skhouna (5), Fréha
cumuls. (6), DAS Bourahla 1(7), DAS Bourahla
Axes C1 C2 C3 C4 C5 2(8), Kouanine (9), Naciria (10), Sidi
Daoud (11), Boussedoum (12), Ighil Libene
Valeurs propres 3,46 2,44 1,48 0,97 0,53 (19), Chabet Merdja (20), Gominsis (21),
Variances expliquées (%) 34,56 24,68 14,84 9,70 5,33
Variances cumulées (%) 34,56 59,24 74,07 83,77 89,10 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
ayant un faible ruissellement. La projection des indi- Ain Zada (2); et
vidus sur les axes principaux C1 –C2 et C1 –C3 laisse (iii) ayant une lame écoulée faible.
apparaître: (b) Sur le plan C1 –C3 (Fig. 2(b)) met égale-
ment en évidence trois groupes de bassins
(a) Sur le plan C1 –C2 (Fig. 2(a)), trois ensembles d’ouvrages:
(groupes) de bassins d’ouvrages sont mis en (i) ayant des fortes valeurs de précipitation,
valeur: de lame écoulée et de couvert végé-
(i) ayant des fortes valeurs de précipitation tal, à savoir: Taksebt (3), Ain Zouaoua
moyenne, de lame écoulée et de couvert (4), Oued Skhouna (5), Fréha (6), DAS
végétal, il s’agit de: Taksebt (3), Ain
1576 Chahrazed Salhi et al.

Bourahla 1 (7), DAS Bourahla 2 (8), L’ACP a permis de mettre en évidence les affinités
Kouanine (9), Naciria (10), Sidi Daoud entre les différents sites des ouvrages retenus et d’en
(11), Boussedoum (12), Ighil Libene déduire les paramètres qui les caractérisent au mieux.
(19), Chabet Merdja (20), Gominsis Sur la base des regroupements donnés par l’ACP et
(21), Djedala (22), Bouchiouane (23) et pour mettre en évidence cette zonalité par rapport aux
Bergoug (29); différents paramètres utilisés, deux groupes de sites
(ii) formé par le bassin de Draout (33), distincts se sont dégagés: le premier groupe, ayant
représente une forte densité de drainage et des fortes valeurs de précipitation, de lame écoulée
d’érosion spécifique relativement aux autres et de couvert végétal, représenté par 17 ouvrages et
bassins; et le deuxième groupe, ayant une faible lame écoulée,
(iii) 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
2

2.0

1
1.0
3
23 4 7
21
51 41 42 0.0 54 22 12 9
16 8
–2 36 38 50
28 4544 5630 55 29 5
20 19 10 2 11
17 27 14 481518 C1
35 17 31 53 26 13 3952 4024 25 47 6
34 4346 49 34,56%
37
33 de la variance
–1.0 totale

–2.0

C3 6.0
(b) 14,84 % 33
de la variance
totale
5.0 2

4.0

3.0

2.0
37
26

1.0
2 3 3431 47 1 3
13 52 8 7
1
35 39 4346 12
36 17 28
17 4024 19 10 11
51
38 2742 0.0 49
–2 25 2
50 21 6 C1
4144 56 15 22 20
14 48 54 34,56%
53 45 1855 29 5 23 9
16
–1.0
30 de la variance
totale
4
–2.0

Fig. 2 Projection des individus sur le plan des axes principaux (a) C1 –C2 , et (b) C1 –C3 .
Prédiction de l’érosion spécifique au bassin AHS 1577

Tableau 2 Etendues des paramètres des deux groupes identifiés par l’ACP.
S Per H max H min P Le D Im CV
(km2 ) (km) (m) (m) (mm) (mm) (km/km2 ) (%) (%)

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) où n est la taille de la série; p est le nombre de


variables explicatives; MSEj est l’erreur quadratique
L’analyse de la régression pas à pas a permis
moyenne pour un modèle à j variables explicatives;
d’identifier la relation fonctionnelle reliant l’érosion
et MSE est l’erreur quadratique moyenne du modèle
spécifique (Es) aux différentes variables explicatives.
complet.
Les variables sont introduites, une à une, donnant
Si le bon modèle est choisi, l’estimation n’est pas
ainsi, des modèles à une ou plusieurs variables.
biaisée, le Cp sera proche de (p + 1), et si le Cp vaut
Les variables introduites sont celles qui possèdent
(p + 1), la même précision que la régression globale
le meilleur coefficient de Fisher-Snedecor pour une
sera obtenu (MSEj = MSE).
erreur α = 5%. Le choix du modèle retenu est
Les modèles choisis sont respectivement for-
basé sur le coefficient de détermination (R2 -ajusté),
mulés par les relations (2) et (3) pour le premier et
l’erreur quadratique moyenne (MSE) et le Cp de
le deuxième groupe:
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 Es = 0,04 Per-0,57 P1,23 Le0,72 (2)
ajoutés, le biais des estimations sera moindre mais
les variances des estimations avec l’erreur moyenne
totale seraient élevées (Daniel et Wood 1980).
Es = 1348,18D − 132,19Im
L’expression de Cp de Mallows est formulée par:
− 19,69S + 15,86CV + 1,01Hmin (3)
MSEj
Cp = (n − p − 1) − [n − 2(p + 1)] (1) + 4,28Le − 1338,95
MSE

Tableau 3 Résultats de la régression multiple.


Variables Es (premier groupe) Variables Es (deuxième groupe)
2 2
R R -ajusté Cp MSE R2 R2 -ajusté Cp MSE

Régression linéaire multiple:


P 0,51 0,51 2,89 1 142 596 D 0,32 0,32 4,20 1 304 677
P, D 0,69 0,67 −0,40 793 253 D, Im 0,45 0,43 −0,38 1 104 224
P, D, Le 0,74 0,70 −0,02 714 425 D, Im , S 0,47 0,44 −0,21 1 069 539
P, D, Le H min 0,77 0,72 1,00 680 012 D, Im , S, CV 0,49 0,44 1,10 1 077 481
D, Im , S, CV , H min 0,51 0,45 2,60 1 092 290
D, Im , S, CV , H min, Le 0,53 0,45 4,10 1 108 513
Régression multiple non linéaire:
Per 0,45 0,45 37,41 0,73 D 0,42 0,42 0,07 1,07
Per, Le 0,72 0,70 14,88 0,39 D, Im 0,52 0,51 −1,44 0,97
Per, Le, P 0,86 0,84 6,24 0,24 D, Im , CV 0,55 0,52 −0,65 0,97
Per, Le, P CV 0,92 0,90 0,80 0,13 D, Im , Cv, P 0,56 0,52 −0,91 0,99
1578 Chahrazed Salhi et al.

Application de la méthode des réseaux de le réseau n’ait pas à combiner des distributions très
neurones artificiels (RNA) différentes.
Plusieurs modèles de RNA possibles ont été
Depuis une dizaine d’années, l’application des RNA
construits et examinés, en se basant sur les combi-
en hydrologie a considérablement évolué, notam-
naisons possibles des paramètres afin d’optimiser et
ment pour la prévision des débits (Coulibaly et al.
d’affiner le modèle à retenir. Pour atteindre cet objec-
2000). Les réseaux de neurones artificiels (RNA) sont
tif, on a fait varier le nombre de neurones et les
des modèles mathématiques non linéaires de type
fonctions de transfert dans la couche cachée (fonc-
« black-box » (boîte noire). Leur principe repose sur
tions logsigmoïde et tangente sigmoïde). De ce fait,
l’apprentissage à la manière des réseaux de neurones
il est nécessaire d’ajuster les paramètres du modèle
biologiques dont ils tirent leur nom. L’apprentissage
pour obtenir une performance optimale. La base de
donne la capacité d’approcher un phénomène à partir
données disponibles a été divisée en deux, soit 80%
des couples entrée-sortie enregistrés sur un système.
pour le calage des poids et des biais et 20% pour la
Le perceptron multicouche (PMC) est le type
validation. Lors de l’étape d’apprentissage, l’érosion
de RNA le plus répandu en prévision hydrologique
spécifique a été comparée avec la réponse du mod-
car il est particulièrement adapté au traitement
èle. Ensuite, la dérivée d’une fonction nommée coût,
d’information vectorielle (Rosenblatt 1958). Les
basée sur la variance de l’erreur, a été calculée et
réseaux de neurones utilisés dans la présente étude
les poids et biais du réseau ont été modifiés en con-
sont constitués de trois couches: entrée, cachée et
séquence (Nohair et al. 2008). La méthode la plus
sortie (Fig. 3). La couche d’entrée est constituée de
utilisée pour déterminer ces dérivées est la méthode
toutes les entrées du modèle. Chacune de ces entrées
de rétropropagation de l’erreur utilisant l’algorithme
est transmise à tous les neurones de la couche cachée
de Levenberg-Marquardt, qui assure la meilleure con-
où elle est pondérée par un poids (Wij ) multipli-
vergence vers un minimum d’erreur quadratique pour
catif. Un biais (0 ou 1) est additionné à la somme
les problèmes d’approximation des fonctions (ou
des entrées pondérées pour produire un résultat inter-
régression) où le nombre des poids du réseau est
médiaire modulé par une fonction de transfert, puis
restreint (Norgaaed, 1997).
transmis aux neurones de la couche de sortie où elle
Une fois le calage réalisé, les données conservées
est pondérée par un poids (Wjk ) et où se répètent les
pour la validation ont été fournies au réseau. Cette
mêmes opérations menant aux sorties du modèle (la
fois, seuls les vecteurs d’entrée ont été transmis au
couche de sortie comportera autant de neurones que
modèle et non les valeurs cibles à prévoir. La perfor-
de variables à modéliser).
mance du modèle peut être évaluée grâce à plusieurs
Pour prédire l’érosion spécifique au droit des
indicateurs, parmi lesquels, nous avons retenu l’erreur
ouvrages retenus, les caractéristiques,climatiques,
quadratique moyenne (MSE) et le coefficient de déter-
hydromorphométriques et de couverture végétale de
mination R2 entre l’érosion spécifique observée et
56 ouvrages sont prises en considération à l’entrée
l’érosion spécifique simulée par le modèle RNA.
du réseau. Les vecteurs d’entrées ainsi que le vecteur
Le modèle le plus performant a été obtenu pour
contenant les valeurs cibles à obtenir en sortie
quatre variables d’entrées (P, Le, D, Im ), un nombre
sont centrées et réduites avant d’être exploités afin
de neurones de quatre dans la couche cachée avec la
d’obtenir des distributions centrées unitaires pour que
fonction de transfert tangente sigmoïde et un neurone

Fig. 3 Architecture du modèle neuronal choisi.


Prédiction de l’érosion spécifique au bassin AHS 1579

Le modèle le plus performant a été obtenu


RNA avec bootstrap R2 = 0.65
6 000
avec 170 échantillons de bootstrap utilisés pour
RNA R2 = 0.81 l’apprentissage et le test et les 56 ouvrages retenus
Erosion simulée (t/km )

sont utilisés pour la validation, ce qui correspond à


2

un minimum d’erreur de MSE (MSE = 0,13). Les


4 000
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
2 000
expliquée par un coefficient de détermination signifi-
catif (R2 = 0,65).
Le Tableau 4 illustre la comparaison des MSE
0
0 2000 4000 6000
et les coefficients de détermination R2 obtenus par
Erosion observée (t/km2) les deux modèles de prévision RNA et RM. Ces
deux paramètres indiquent la meilleure performance
Fig. 4 Erosion simulée–érosion observée. 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.
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
CONCLUSION
résultats obtenus montrent une très bonne concor-
dance expliquée par un coefficient de détermination Ce travail a été effectué dans le but de prévoir
significatif (R2 = 0,81) entre l’érosion spécifique l’érosion spécifique à partir d’un maximum de carac-
observée et l’érosion spécifique simulée par le mod- téristiques de forme du bassin, des paramètres clima-
èle RNA (Fig. 4) donc un coefficient de corrélation tiques et du couvert végétal à l’aide de deux méthodes
significatif au vu du coefficient de corrélation critique précises qui sont: la méthode des réseaux de neurones
de la table de Fisher (Dagnelie 1992). (RNA) et la régression multiple (RM). Les résul-
La base de données a été divisée en deux phases. tats de la modélisation et la prévision de l’érosion
Pour répondre aux objectifs de cette stratégie adaptée spécifique annuelle obtenus en utilisant le modèle
à un échantillon d’effectif trop restreint et faire face neuronal, à partir des entrées (centrées et réduites):
au problème de sur-apprentissage (« overfitting »), densité de drainage D (km/km2 ), pente moyenne
la méthode du « bootstrap » a été utilisée pour la du bassin Im (%), précipitation moyenne P (mm)
simulation des séries de taille suffisante à partir de et lame écoulée Le (mm), montrent une très bonne
l’échantillon initial (trop réduit), pour l’utiliser dans concordance expliquée par un coefficient de détermi-
la phase « apprentissage et test » afin de réduire la nation R2 significatif (0,81) et une erreur quadratique
variance et améliorer la précision de la prédiction moyenne (MSE) de 0,19. Par comparaison avec le
(Zeroual et al. 2010). Le bootstrap proposé par Efron modèle plus classique qu’est la regression multi-
(1993) est une technique aujourd’hui très étudiée dans ple (RM) appliqué sur les mêmes données utilisées
le cadre de l’inférence statistique, notamment pour les dans la méthode neuronale, les résultats obtenus
problèmes pour lesquels les échantillons d’exemples indiquent que les modèles connexionnistes possè-
sont de petite taille. Le nombre d’échantillons de dent un meilleur pouvoir prévisionnel. La statistique
bootstrap N, considérés comme étant des variables, apportée par le bootstrap permet le contrôle automa-
a été choisi après plusieurs essais, de telle sorte que tique de l’arrêt de l’apprentissage et fournit une
les réseaux établis soient optimisés. statistique robuste de l’erreur de prévision.

Tableau 4 Comparaison de MSE et R2 des modèles de RNA et RM.


Régression multiple Régression multiple non RNA RNA avec
linéaire linéaire « bootstrap »
MSE 1 108 513 0,24 0,19 0,13
R2 0,53 0,86 0,81 0,65
1580 Chahrazed Salhi et al.

Metra Nota Cet article est une version révisée Efron, B. et Tibshirani, R.J., 1993. An introduction to the bootstrap.
d’une présentation à un atelier scientifique sur le New York: Chapman and Hall.
Ferguson, R.I., 1987. Accuracy and precision of methods for esti-
thème « Relations homme/environnement et trans- mating river load. Earth Surface Processes and Landforms, 12,
ports solides : une approche spatialisée » qui a 95–104.
eu lieu à Tipaza, Algérie, les 7 et 8 juin 2011, Kassoul, A., Abdelkader, A., et Belorgey, M., 1997. Caractérisation
de la sédimentation des barrages en Algerie. Revue des Sciences
dans le cadre du programme SIGMED (Approche de l’Eau, 10 (3), 339–358. http://www.rse.inrs.ca/art/volume10/
spatialisée de l’impact des activités agricoles au v10n3_339.pdf [accédé le 8 juillet 2013]
Maghreb sur les transports solides et les ressources Nohair, M., St-Hilaire, A., et Ouarda, T.B., 2008. Utilisation des
en eau des grands bassins versants), soutenu réseaux de neurones et de la régularisation bayésienne en
modélisation de la température de l’eau en rivière. Revue
par l’Agence Universitaire de la Francophonie des Sciences de l’Eau, 21 (3), 373–382. http://www.erudit.
(MeRSI 6313PS005) et co-sponsorisé par le pro- org/revue/rseau/2008/v21/n3/018783ar.pdf [accédé le 8 juillet
gramme MEDFRIEND de l’UNESCO (Programme 2013]
Norgaaed, M., 1997. Neural network based system identification tool-
Hydrologique International). box version 1.1 for use with MATLAB. Lyngby, Denmark:
Technical University of Denmark, Department of Automation,
Report no. 97.
REFERENCES Rosenblatt, F., 1958. The perceptron: a probabilistic model for infor-
mation storage and organization in the brain. Psychological
Achite, M. et Meddi, M., 2005. Variabilité spatio-temporelle des Review, 65, 386–408.
apports liquide et solide en zone semi-aride. Cas du bassin ver- Sinnakaudan, S., et al., 2006. Multiple linear regression model
sant de l’Oued Mina. Revue des Sciences de l’Eau, 18, 37–56. for total bed material load prediction. Journal of Hydraulic
http://www.rse.inrs.ca/art/volume18/v18nS_37.pdf Engineering. 132 (5), 521–528.
ABH (Agence de Bassin Hydrographique), 2004. Elaboration du Touaibia, B. et Achite, M., 2003. Contribution à un essai car-
cadastre hydraulique du bassin hydrographique A-H-S (bassin tographique de l’érosion spécifique du bassin versant de
côtiers Algérois, bassin Soummam, bassin Hodna et bassin l’Oued Mina en Zone Semi-aride de l’Algérie septen-
Isser), Alger. Alger: Ministère des Ressources en Eau (MRE), trionale. Hydrological Sciences Journal / Journal des
Rapport interne. Sciences Hydrologiques,48 (2), 235–242. http://iahs.info/hsj/
Coulibaly, P., Anctil, F., et Bobée, B., 2000. Daily reservoir fore- 482/hysj_48_02_0235.pdf [accédé le 8 juillet 2013]
casting using artificial neural networks with stopped training Walling, D.E. et Webb, D.W., 1981. The reliability of suspended
approach. Journal of Hydrology, 230, 244–257. sediment load data. Dans: D. Walling et P. Tacconi, eds.
Dagnelie, P., 1992. Statistique théorique et appliquée, Tome 1: Les Erosion and sediment transport measurement / Mesure de
bases théoriques. Paris: Gembloux, Presses agronomiques. l’érosion et du transport des sediments. Wallingford, UK: IAHS
Daniel, C. et Wood, F.S., 1980. Fitting equations to data. Second Press, IAHS Publ. 133, 177–194. http://iahs.info/redbooks/
edition. New York: John Wiley & Sons, Inc. a133/iahs_133_0177.pdf [accédé le 8 juillet 2013]
Demmak, A., 1984. Recherche d’une relation empirique entre les Zeroual, A., Touaibia, B., et Ammari, A., 2010. Application des
apports solides spécifiques et les paramètres physico clima- réseaux de neurones en insuffisance de jaugeage pour le
tiques des bassins: Cas Algérien. Dans: D.E. Walling, S.S.D. tarage: cas du Côtier Algérois. Dans: E. Servat et al. eds.
Foster et P. Wurzel, eds. Challenges in African hydrology and Global change: Facing risks and threats to water resources
water resources (Harare symposium, juillet 1984). Wallingford, (6th World FRIEND Conference, Fez, Maroc, 25–29 octo-
UK: IAHS Press, IAHS Publ 144, 403–414. http://iahs.info/ bre 2010). Wallingford, UK: IAHS Press, IAHS Publ. 340,
redbooks/a144/iahs_144_0403.pdf [accédé le 8 juillet 2013] 409–417.

Vous aimerez peut-être aussi