Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

Chapitre IV : Modélisation des Débits de Fuites par

Les Modèles SVM.

1
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

IV.1.Introduction

Dans le présent chapitre nous présentons les résultats obtenus par le modèle SVM,
appliqué pour la modélisation des débits de fuites à travers la digue du barrage Béni Zid,
wilaya de Skikda. Nous avons sélectionnés 12 piézomètres pour développer notre modèle qui
sont désignés par P1 à P12, en plus de la cote du plan d’eau (CPE), l’évaporation (EP), la
température de l’aire (TE), et la pluie (Pr). Nous avons proposés sept scénarios, avec des
différentes combinaisons des variables d’entrées. Les résultats obtenus seront comparés sur la
base des mesures statistiques à savoir, le R, NSE, RMSE, and MAE, calculées pour les deux
phases à savoir, l’apprentissage et la validation.

IV.2. Résultats de la modélisation par les modèles SVM: Scénario 01

Pour le premier scénario, nous avons utilisés un modèle SVM pour chaque piézomètre
et en totale nous avons 12 modèles désigné comme SVM1 pour le piézomètre P1 jusqu’au
SVM12 pour le piézomètre P12. Les résultats obtenus sont reportés dans le Tableau IV.1. En
accord avec les résultats reportés dans le Tableau IV.1, on remarque que les performances des
modèles SVM sont faibles que ce soit en phase d’apprentissage ou de validation, avec des R
et NSE au-dessous de la moyenne et des RMSE et MAE très élevés. Le modèle SVM11 qui
correspond au piézomètre P11 fait l’exception, avec lequel nous avons obtenus de faibles
performances en phase d’apprentissage (R=0.649, NSE=0.412), et des résultats satisfaisante
en phase de validation (R=0.903, NSE=0.549). Il serait difficile de justifier les résultats
obtenus avec le piézomètre P11 étant donné que les SVM font partie des modèles boite noir.
En conclusion et grosso modo, les résultats obtenus avec le scénario1 sont considérés comme
faible et non acceptable, en écartant le modèle SVM11, qui fait l’exception, les autres
modèles ont données des performances en phase de validation comme suit: les valeur du
coefficient de corrélation (R) rangé entre 0.024 et 0.469, les valeurs des RMSE rangés entre
0.836 et 0.960, et finalement les valeurs des MAE rangés entre 0.304 et 0.331. Etant données
les faibles performances obtenus avec le premier scénario, la recherche d’une amélioration
des performances sera abordés avec les autres scénarios dans les sections ci-dessous. Les
résultats obtenus avec le scénario 1 sont représentés sur la Figure IV.1 en termes des courbes
Scatterplot et les courbes de comparaison entre les valeurs mesurées et calculées. La figure
montre clairement que les résultats obtenus étaient très faibles et non acceptable. Cela est
surtout schématisé au niveau des courbes scatterplot au niveau des quels les points sont
dispersés, et en particulier sur les courbes de comparaison on constate que les modèles étaient
incapable de prédire les valeurs extrêmes.
2
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

Tableau IV.1. Résultats obtenus par les modèles SVM: Scénario 1.

Modèles Variables Apprentissage Validation
d’entrées R NSE RMSE MAE R NSE RMSE MAE
SVM1 P1 0.259 -0.033 0.400 0.184 0.262 -0.077 0.960 0.331
SVM2 P2 0.417 0.088 0.376 0.158 0.325 -0.019 0.836 0.304
SVM3 P3 0.364 0.035 0.387 0.168 0.243 -0.064 0.855 0.313
SVM4 P4 0.112 -0.048 0.403 0.184 0.077 -0.089 0.865 0.330
SVM5 P5 0.300 -0.034 0.387 0.177 0.200 -0.061 0.853 0.316
SVM6 P6 0.164 -0.033 0.400 0.184 0.107 -0.080 0.861 0.332
SVM7 P7 0.147 -0.028 0.399 0.187 0.095 -0.077 0.860 0.330
SVM8 P8 0.135 -0.044 0.403 0.185 0.024 -0.091 0.865 0.330
SVM9 P9 0.137 -0.030 0.400 0.188 0.075 -0.078 0.860 0.332
SVM10 P10 0.313 -0.017 0.397 0.178 0.469 -0.061 0.853 0.319
SVM11 P11 0.649 0.412 0.302 0.135 0.903 0.549 0.556 0.226
SVM12 P12 0.155 -0.057 0.405 0.277 0.067 -0.091 0.865 0.327

SVM1

SVM2

SVM3

SVM4

3
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM5

4
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM6

SVM7

SVM8

SVM9

5
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM10

SVM11

SVM12

Figure IV.1. Scatterplot et comparaison entre les valeurs mesurer et calculer des débits de
fuites par les modèles SVM durant la phase de validation, Scénario 01: Barrage Béni Zid.

6
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

IV.2. Résultats de la modélisation par les modèles SVM: Scénario 02

Pour le deuxième scénario, nous avons essayé d’apporter des améliorations aux
modèles SVM par l’utilisation des composantes du calendrier grégorien qui sont au nombre
de trois : l’année (Y: year), le mois (M: month) et le jour (D: day). Les trois composantes sont
combinées avec les piézomètres et chaque modèle possède quatre entrées comme présentés
dans le Tableau IV.2. On remarque une petite amélioration des performances des modèles,
mais il reste toujours loin de la moyenne. En phase d’apprentissage les 12 modèles SVM ont
données les performances suivantes : une moyenne des R et NSE de l’ordre de 0.473 et
0.217, alors que la moyenne des RMSE et MAE étaient de l’ordre de 0.350 et 0.240,
respectivement. De point de vue borne supérieure et inférieure des quatre indices statistiques,
on remarque que ; les R et NSE ont été rangés entre 0.330 et 0.640, 0.087 et 0.396,
respectivement, alors que les meilleures résultats en phase d’apprentissage ont été obtenus
avec le modèle SVM11 avec les plus faibles RMSE (0.306) et MAE (0.153). En phase de
validation, on remarque que les résultats obtenus étaient faibles, ce qui reflète l’incapacité
des modèles à généraliser, à l’exception du modèle SVM11 qui nous a permis d’obtenir un
coefficient de corrélation de l’ordre de (R=0.826), avec un critère NSE inférieure à la
moyenne (NSE= 0.421). En conclusion, malgré l’ajout des trois composantes du calendrier
grégorien n’en enregistre aucune amélioration au niveau des performances des models SVM,
ce qui nous oblige de chercher d’autres solutions par l’introduction d’autres variables qui
peuvent assurer une amélioration des performances des modèles SVM.
Tableau IV.2. Résultats obtenus par les modèles SVM: Scénario 2.
Modèles Variables Apprentissage Validation
d’entrées R NSE RMSE MAE R NSE RMSE MAE
SVM1 P1, D, M, Y 0.570 0.298 0.330 0.176 0.511 0.269 0.770 0.321
SVM2 P2, D, M, Y 0.483 0.366 0.351 0.161 0.459 0.249 0.780 0.323

7
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM3 P3, D, M, Y 0.411 0.145 0.364 0.164 0.401 0.033 0.815 0.314
SVM4 P4, D, M, Y 0.451 0.149 0.361 0.155 0.356 0.025 0.818 0.308
SVM5 P5, D, M, Y 0.450 0.172 0.358 0.158 0.439 0.065 0.801 0.315
SVM6 P6, D, M, Y 0.412 0.147 0.364 0.173 0.344 0.040 0.811 0.339
SVM7 P7, D, M, Y 0.476 0.180 0.357 0.159 0.296 0.012 0.823 0.319
SVM8 P8, D, M, Y 0.512 0.236 0.344 0.166 0.393 0.063 0.802 0.323
SVM9 P9, D, M, Y 0.489 0.232 0.345 0.184 0.355 0.058 0.804 0.343
SVM10 P10, D, M, Y 0.330 0.087 0.377 0.179 0.416 0.047 0.809 0.314
SVM11 P11, D, M, Y 0.640 0.396 0.306 0.153 0.826 0.421 0.630 0.256
SVM12 P12, D, M, Y 0.432 0.151 0.363 0.69 0.403 0.070 0.799 0.322

SVM1

SVM2

SVM3

SVM4

SVM5

SVM6
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM7

SVM8

SVM9

SVM10

SVM11
9
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM12

Figure IV.2. Scatterplot et comparaison entre les valeurs mesurer et calculer des débits de
fuites par les modèles SVM durant la phase de validation, Scénario 02: Barrage Béni Zid.

10
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

IV.3. Résultats de la modélisation par les modèles SVM: Scénario 03

Pour le scénario 3, nous avons gardé la même structure que le scénario 2 et nous avons
ajouté la côte du plan d’eau (CPE) au niveau du barrage, mesurée dans la même journée.
Donc au total nous avons pour chaque modèle cinq entrées ou input (Tableau IV.3). D’après
les résultats obtenus on remarque une légère amélioration des performances des modèles en
tenant compte des quatre indices statistiques. En phase d’apprentissage, on remarque que les
valeurs maximale, minimale et la moyenne du coefficient de corrélation (R) passent des
valeurs 0.640, 0.330, 0.473 aux valeurs 0.690, 0.478, et 0.563. D’autres part, les valeurs du
coefficient NSE passent des valeurs 0.396, 0.087, 0.217 aux valeurs 0.470, 0.193, et 0.303.
On constate que malgré l’amélioration nette des performances des modèles, on reste toujours
sous la moyenne et le critère NSE ne dépasse pas toujours la barre de 0.50 (50%). On phase
de validation, l’amélioration des performances des modèles est plus remarquable surtout aux
niveaux de la valeur moyenne. L’ajout de la cote du plan d’eau (CPE) conduit à une
augmentation des valeurs maximales, minimale et de la moyenne du coefficient (R) qui
passent de 0.826, 0.296, 0.452 aux valeurs 0.857, 0.457 et 0.591. Pour qui est du critère NSE,
les valeurs précédentes passent de 0.421,0.012, 0.128 aux valeurs 0.468, 0.080 et 0.208,
respectivement. On remarque aussi que malgré que la valeur maximale du coefficient de
corrélation passe à 0.857, le critère NSE était toujours faible et inacceptable. Les résultats
obtenus en phase de validation sont schématisés sur la Figure IV.3, en termes des courbes
scatterplot et courbes de variation.

11
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

Tableau IV.3. Résultats obtenus par les modèles SVM: Scénario 3.

Modèles Variables d’entrées Apprentissage Validation
R NSE RMSE MAE R NSE RMSE MAE
SVM1 P1,CPE, D, M, Y 0.547 0.264 0.338 0.146 0.524 0.139 0.769 0.294
SVM2 P2,CPE, D, M, Y 0.499 0.193 0.354 0.143 0.457 0.080 0.795 0.293
SVM3 P3,CPE, D, M, Y 0.690 0.470 0.287 0.121 0.603 0.213 0.735 0.308
SVM4 P4,CPE, D, M, Y 0.591 0.340 0.320 0.147 0.615 0.229 0.727 0.305
SVM5 P5,CPE, D, M, Y 0.478 0.207 0.351 0.171 0.546 0.149 0.764 0.316
SVM6 P6,CPE, D, M, Y 0.495 0.234 0.345 0.176 0.562 0.188 0.747 0.317
SVM7 P7,CPE, D, M, Y 0.564 0.297 0.330 0.163 0.553 0.161 0.759 0.329
SVM8 P8,CPE, D, M, Y 0.591 0.341 0.310 0.154 0.498 0.147 0.765 0.328
SVM9 P9,CPE, D, M, Y 0.596 0.338 0.321 0.146 0.514 0.157 0.761 0.307
SVM10 P10,CPE, D, M, Y 0.507 0.237 0.344 0.177 0.603 0.221 0.731 0.312
SVM11 P11,CPE, D, M, Y 0.673 0.434 0.296 0.140 0.857 0.468 0.604 0.248
SVM12 P12,CPE, D, M, Y 0.486 0.225 0.347 0.178 0.623 0.213 0.735 0.316

SVM1

SVM2

12
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM3

SVM4

SVM5

13
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM6

SVM7

SVM8

14
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM9

SVM10

SVM11

15
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM12

Figure IV.3. Scatterplot et comparaison entre les valeurs mesurer et calculer des débits de
fuites par les modèles SVM durant la phase de validation, Scénario 03: Barrage Béni Zid.

IV.4. Résultats de la modélisation par les modèles SVM: Scénario 04

Au niveau du scénario 4, en plus du levé piézométrique et de la cote du plan d’eau
(CPE), nous avons ajouté l’évaporation (EP), la température (TE), et les précipitations (Pr), et
au total nous avons cinq entrées pour chaque modèle parmi les douze (SVM1 à SVM12). Les
résultats sont reportés dans le Tableau IV.4. On remarque une amélioration significative des
performances des performances que ce soit en phase d’apprentissage et de validation. On
phase d’apprentissage, le coefficient de corrélation (R) varié entre 0.783 et 0.852, avec une
moyenne de 0.801, et le meilleure coefficient est obtenu avec le piézomètre P11. Le critère de
Nash (NSE) varié entre 0.571 et 0.725 avec une moyenne de 0.626. On enregistre aussi une
dégradation significative au niveau des valeurs des RMSE et MAE qui sont largement plus
faibles que les valeurs enregistrés au niveau des trois scénarios précèdent, et elles atteint des
seuils très faibles avec des moyennes de l’ordre de 0.241 et 0.269, respectivement. On
remarque aussi que la capacité de généralisation des modèles SVM à grondement améliorés et
cela avec une amélioration importante des performances des modèles en phase de validation.
La moyenne du coefficient de corrélation (R) passe à une excellente valeur de 0.896, la
moyenne du critère NSE grimpe pour atteindre une très bonne valeur de 0.753, alors que les
deux indices RMSE et MAE se sont largement amélioré pour atteindre des seuils moyens de
0.412 et 0.207, respectivement. On peut conclure que le scénario 4 nous apporte de très bonne
solution pour calculer les débits de fuite à travers la digue du barrage, et que le piézomètre
P11 était le meilleure prédicteur avec lequel nous avons obtenus les meilleures performances

16
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

avec les R et NSE les plus élevées en phase de validation (R=0.914, NSE=0.808). Les
résultats obtenus en phase de validation sont schématisés sur la Figure IV.4, en termes des
courbes scatterplot et courbes de variation.

Tableau IV.4. Résultats obtenus par les modèles SVM: Scénario 4.

Modèle Variables d’entrées Apprentissage Validation
s
R NSE RMSE MAE R NSE RMSE MAE
SVM1 P1, CPE, EP, TE, Pr 0.794 0.623 0.242 0.138 0.892 0.790 0.381 0.206
SVM2 P2, CPE, EP, TE, Pr 0.794 0.614 0.245 0.123 0.894 0.733 0.430 0.203
SVM3 P3, CPE, EP, TE, Pr 0.790 0.598 0.250 0.121 0.899 0.735 0.428 0.199
SVM4 P4, CPE, EP, TE, Pr 0.783 0.571 0.258 1.126 0.892 0.692 0.462 0.213
SVM5 P5, CPE, EP, TE, Pr 0.794 0.604 0.248 0.170 0.896 0.782 0.388 0.237
SVM6 P6, CPE, EP, TE, Pr 0.794 0.624 0.242 0.120 0.898 0.755 0.412 0.209
SVM7 P7, CPE, EP, TE, Pr 0.799 0.629 0.240 0.121 0.897 0.727 0.434 0.212
SVM8 P8, CPE, EP, TE, Pr 0.784 0.607 0.247 0.121 0.900 0.772 0.398 0.198
SVM9 P9, CPE, EP, TE, Pr 0.804 0.633 0.239 0.127 0.880 0.759 0.408 0.216
SVM10 P10, CPE, EP, TE, Pr 0.795 0.610 0.246 0.124 0.889 0.715 0.444 0.204
SVM11 P11, CPE, EP, TE, Pr 0.852 0.725 0.207 0.112 0.914 0.808 0.365 0.180
SVM12 P12, CPE, EP, TE, Pr 0.801 0.634 0.239 0.128 0.902 0.779 0.391 0.200

SVM1

17
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM2

SVM3

SVM4

18
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM5

SVM6

SVM7

19
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM8

SVM9

20
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM10

SVM11

SVM12

21
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

Figure IV.4. Scatterplot et comparaison entre les valeurs mesurer et calculer des débits de
fuites par les modèles SVM durant la phase de validation, Scénario 04: Barrage Béni Zid.

IV.5. Résultats de la modélisation par les modèles SVM: Scénario 05

Le scenario 5 est une amélioration du scénario 4. Etant donné que nous avons obtenus
de très bons résultats avec le scénario 4, nous avons essayé d’améliorer encore les
performances des models SVM par l’ajout des composantes du calendrier grégorien. Les
résultats obtenus avec le scénario 5 sont reportés dans le Tableau IV.5 et la Figure IV.5. On
remarque que d’une part, une légère amélioration des performances en phase d’apprentissage,
alors qu’on phase de validation en enregistre une dégradation des performances avec un
légère baisse des valeurs des R et NSE et une augmentation des valeurs des RMSE et MAE.
Par comparaison, en phase de validation, la moyenne des R et NSE passent de 0.896 et 0.753
aux 0.865 et 0.689, respectivement. En plus, les valeurs des RMSE et MAE grimpent de
0.412 et 0.207 aux valeurs de 0.500 et 0.239, avec un pourcentage d’augmentation 17.60% et
13.40%. Donc on peut conclure que le cinquième scénario ne permis pas une amélioration des
performances des modèles SVM, et le quatrième scénario reste pour le moment le scénario de
référence.

Tableau IV.5. Résultats obtenus par les modèles SVM: Scénario 5.

Modèles Variables d’entrées Apprentissage Validation
R NSE RMSE MAE R NSE RMSE MAE
SVM1 P1, CPE, EP, TE, Pr, D, M, Y 0.840 0.698 0.217 0.116 0.875 0.731 0.731 0.214
SVM2 P2, CPE, EP, TE, Pr, D, M, Y 0.845 0.708 0.213 0.107 0.859 0.705 0.452 0.227
SVM3 P3, CPE, EP, TE, Pr, D, M, Y 0.824 0.672 0.226 0.111 0.866 0.690 0.463 0.227
SVM4 P4, CPE, EP, TE, Pr, D, M, Y 0.817 0.664 0.229 0.120 0.868 0.695 0.459 0.243
SVM5 P5, CPE, EP, TE, Pr, D, M, Y 0.845 0.711 0.212 0.111 0.871 0.718 0.442 0.235
SVM6 P6, CPE, EP, TE, Pr, D, M, Y 0.856 0.726 0.207 0.107 0.843 0.621 0.512 0.255
SVM7 P7, CPE, EP, TE, Pr, D, M, Y 0.871 0.747 0.199 0.116 0.848 0.640 0.499 0.267
SVM8 P8, CPE, EP, TE, Pr, D, M, Y 0.873 0.731 0.205 0.112 0.873 0.675 0.475 0.252
SVM9 P9, CPE, EP, TE, Pr, D, M, Y 0.857 0.730 0.205 0.113 0.838 0.668 0.479 0.254
SVM10 P10, CPE, EP, TE, Pr, D, M, Y 0.792 0.618 0.244 0.139 0.868 0.700 0.455 0.248
SVM11 P11, CPE, EP, TE, Pr, D, M, Y 0.880 0.774 0.188 0.102 0.911 0.768 0.401 0.200
SVM12 P12, CPE, EP, TE, Pr, D, M, Y 0.845 0.712 0.212 0.109 0.847 0.640 0.499 0.253

22
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM1

SVM2

SVM3

23
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM4

SVM5

SVM6

24
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM7

SVM8

SVM9

25
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM10

SVM11

SVM12

26
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

Figure IV.5. Scatterplot et comparaison entre les valeurs mesurer et calculer des débits de
fuites par les modèles SVM durant la phase de validation, Scénario 05: Barrage Béni Zid.

IV.6. Résultats de la modélisation par les modèles SVM: Scénario 06

Les résultats obtenus avec le scénario 6 sont reportés dans le Tableau IV.6 et
schématisé sur la Figure IV.6.

Tableau IV.6. Résultats obtenus par les modèles SVM: Scénario 6.

Modèles Variables d’entrées Apprentissage Validation
R NSE RMSE MAE R NSE RMSE MAE
SVM1 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10, P11, P12 0.905 0.805 0.174 0.089 0.868 0.502 0.585 0.257
SVM2 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10, P11 0.872 0.748 0.198 0.108 0.875 0.533 0.566 0.255
SVM3 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10 0.653 0.420 0.300 0.155 0.452 0.120 0.777 0.322
SVM4 P1, P2, P3, P4, P5, P6, P7, P8, P9 0.692 0.470 0.287 0.141 0.416 0.076 0.796 0.325
SVM5 P1, P2, P3, P4, P5, P6, P7, P8 0.604 0.294 0.331 0.138 0.473 0.056 0.805 0.302
SVM6 P1, P2, P3, P4, P5, P6, P7 0.616 0.318 0.325 0.134 0.478 0.048 0.808 0.296
SVM7 P1, P2, P3, P4, P5, P6 0.577 0.283 0.334 0.135 0.521 0.073 0.798 0.289
SVM8 P1, P2, P3, P4, P5 0.544 0.265 0.106 0.154 0.551 0.098 0.787 0.302
SVM9 P1, P2, P3, P4 0.497 0.222 0.348 0.146 0.428 0.040 0.812 0.297
SVM10 P1, P2, P3 0.468 0.204 0.352 0.159 0.373 0.039 0.812 0.303
SVM11 P1, P2 0.441 0.170 0.359 0.183 0.374 0.066 0.801 0.325

Au niveau du scénario 6 nous avons essayé une autre approche pour la modélisation
des débits de fuite, par l’utilisation de plusieurs piézomètres en une seule fois. Nous avons
comparés entre onze modèles, le premier modèle (SVM1) comporte les douze piézomètres
(P1 à P12), et on commence à éliminer les piézomètres 1’un après l’autre jusqu’au modèle
SVM11 avec deux piézomètres, on phase d’apprentissage, on remarque une dégradation
progressive des performances du modèle SVM1 au modèle SVM11, et à l’exception des deux
premier modèles SVM1 et SVM2, les autres modèles étaient faibles et au-dessous de la
moyenne. En phase de validation, les résultats étaient loin d’être acceptés, avec des
performances faibles à très faibles, avec un NSE qui ne dépasse pas les 0.533. Donc on peut
conclure que par rapport au scénario 4, le scénario 6 n’a pas apporté une amélioration des
performances, malgré l’inclusion de tous les piézomètres.

27
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM1

SVM2

SVM3

28
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM4

SVM5

SVM6

29
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM7

SVM8

SVM9

30
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM10

SVM11

SVM12

31
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

Figure IV.6. Scatterplot et comparaison entre les valeurs mesurer et calculer des débits de
fuites par les modèles SVM durant la phase de validation, Scénario 06: Barrage Béni Zid.

IV.7. Résultats de la modélisation par les modèles SVM: Scénario 07

Pour le scénario 7, nous avons comparés entre cinq modèles (Tableau IV.7, Figure
IV.7).
Tableau IV.7. Résultats obtenus par les modèles SVM: Scénario 7.
Modèles Variables d’entrées Apprentissage Validation
R NSE RMSE MAE R NSE RMSE MAE
SVM1 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10, P11,
0.868 0.730 0.205 0.104 0.812 0.430 0.625 0.258
P12, D, M, Y
SVM2 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10, P11,
0.882 0.760 0.193 0.094 0.804 0.455 0.612 0.275
P12, D, M, Y, CPE
SVM3 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10, P11,
0.908 0.805 0.174 0.085 0.735 0.398 0.643 0.288
P12, D, M, Y, CPE, EP
SVM4 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10, P11,
0.933 0.849 0.154 0.068 0.776 0.440 0.622 0.267
P12, D, M, Y, CPE, EP, TE
SVM5 P1, P2, P3, P4, P5, P6, P7, P8, P9, P10, P11,
0.931 0.866 0.145 0.089 0.851 0.676 0.474 0.241
P12, D, M, Y, CPE, EP, TE, Pr

SVM1

32
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM2

SVM3

SVM4

33
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM5

SVM6

SVM7

34
Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM8

SVM9

SVM10

35
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

SVM11

SVM12

Figure IV.7. Scatterplot et comparaison entre les valeurs mesurer et calculer des débits de
fuites par les modèles SVM durant la phase de validation, Scénario 07: Barrage Béni Zid.

Nous avons considérez comme référence les douze piézomètres, et à chaque fois on
fait introduire une nouvelle entrée. Pour le modèle SVM1 nous avons ajoutez les composantes
du calendrier grégorien (D, M, Y), pour le modèle SVM2 nous avons ajoutez les (D, M, Y) et
la cote du plan d’eau, pour le modèle SVM3 nous avons ajoutez les (D, M, Y, CPE, EP), pour
le modèle SVM4 nous avons ajoutez les (D, M, Y, CPE, EP, TE), et enfin pour le modèle
SVM5 nous avons inclus toutes les variables et au total le modèle comporte 17 variables
d’entrées. En comparant les cinq modèles, on constate que le modèle SVM5 a donné les
meilleures performances avec le R et NSE les plus élevé (R=0.851, NSE=0.676), et les
RMSE et MAE les plus faibles (RMSE=0.851, MAE=0.676). En tenant compte des résultats
obtenus en phase de validation, et en comparant les performances du modèle SVM5

36
 Chapitre IV : Modélisation des Débits de Fuites par Les Modèles SVM

(R=0.851, NSE=0.676) avec les performances du meilleure modèle SVM11 (R=0.914,

NSE=0.808) obtenu au niveau du scénario 4, on remarque que le modèle SVM11 dépasse
largement le modèle SVM5 et assure de meilleures performances avec des taux de 6.3% et
13.2%.

IV.2. Conclusion

A la lumière des résultats obtenus par les modèles SVM au niveau du barrage Béni Zid on
peut conclure ce qui suit:
1. En utilisant uniquement un seul piézomètre pour modéliser les débits de fuites, nous
constater que les résultats étaient faibles à l’exception du piézomètre P11 (modèle
SVM11) qui a donné de faibles performances en phase d’apprentissage et un excellent
coefficient de corrélation en phase de validation (R=0.903).
2. Lorsque les composantes du calendrier grégorien (CCG) sont combinées avec les
piézomètres aucune amélioration n’a été enregistrée, et les performances des modèles
restent très faibles.
3. Pour améliorer en plus les performances des modèles, nous avons ajouté la cote du plan
d’eau (CPE) avec les piézomètres et les composantes du calendrier grégorien, cependant
les performances étaient toujours faibles, à l’exception du modèle SVM qui fait toujours
l’exception (R=0.857) en phase de validation.
4. L’utilisation de l’évaporation, de la température de l’air, et des précipitations, combinées
avec la cote du plan d’eau et les piézomètres, permet d’obtenir d’excellents résultats avec
tous les piézomètres, et on arrive à atteindre des R et NSE de l’ordre de 0.914 et 0.808, en
phase de validation.
5. Pour les autres résultats, nous avons constatés que l’utilisation de tous les piézomètres
ensemble, permet d’avoir de très bons résultats et que l’ajout des CCG ne permet pas
d’avoir une amélioration significative des performances

37