Qualité des données hydrométriques prédites par une approche machine learning dans l’évaluation de la ressource en eau au nord de la Cote d’Ivoire

Abstract

L'écoulement des rivières revêt un intérêt particulier dans la gestion rationnelle des ressources en eau. Son estimation permet d'évaluer quantitativement la disponibilité des ressources en eau, ainsi que de prévenir des catastrophes naturelles telles que les inondations et les sécheresses. Ces estimations, généralement effectuées à l'aide de méthodes statistiques d'apprentissage automatique, sont parfois biaisées, entraînant des écarts par rapport aux observations in situ. Ainsi, cette étude a pour objectif  d'evaluer la qualité des données de débit de la rivière Bagoé prédites par des réseaux neuronaux, afin d'aider les décideurs dans leurs projets de développement durable. Pour ce faire, deux modèles basés sur des réseaux neuronaux ont été développés pour prévoir les variations des débits mensuels de la rivière Bagoé aux instants t et t+3 respectivement. Les modèles sont validés en utilisant le critère de Nash (%), le coefficient de corrélation de Pearson (R), le rapport du débit maximal et le critère de robustesse. Les résultats obtenus indiquent que les modèles neuronaux développés expliquent plus de 82 % des débits mensuels de la rivière Bagoé. Ces derniers varient respectivement de 0,002 m3s-1 à 300,12 m3s-1, avec une moyenne de 31,10 m3s-1 en calibration, et de 0,002 m3s-1 à 243,32 m3s-1, avec une moyenne de 31,29 m3s-1 en validation. Cependant, des décalages dans des débits extrêmes ont été observés à la fois en calibration et en validation.

River flow is of particular interest in the rational management of water resources. Their estimation enables quantitative assessment of water resource availability, as well as anticipation of natural disasters such as floods and droughts. These estimates, generally made using statistical methods or machine learning, are sometimes biased, resulting in variations that differ from those observed in situ. This study aims to evaluate the quality of flow data predicted by neural networks for the Bagoé River to support sustainable development planning. To achieve this, two neural network-based models were developed to forecast variations in monthly flows in the Bagoé River at time t and time t+3 respectively. The models are validated using the Nash criterion (%), Pearson's correlation coefficient (R), the maximum flow ratio and the robustness criterion. The results obtained indicate that the neural models developed expressed more than 82% of the monthly flows of the Bagoé River. These ranged respectively from 0.002 m³s^-1 to 300.12 m³s^-1, with an average of 31.10 m³s^-1 in calibration, and 0.002 m³s^-1 to 243.32 m³s^-1, with an average of 31.29 m³s^-1 in validation. However, some shifts in extreme flows were observed in both calibration and validation.