كلية العلوم والعلوم التطبيقية

Permanent URI for this community

http://localhost:4000/handle/123456789/8

Browse

Browsing كلية العلوم والعلوم التطبيقية by Subject "Bassin de la seybouse"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Modélisation pluie-débit et débits de crues en milieu semi-aride par différentes méthodes statistiques et modèles hydrologiques
    (Université De Larbi Ben M’hidi Oum EL Bouaghi, 2022) Aoulmi, Yamina; Marouf, Nadir; Amireche, Mohamed
    Le développement de modèles pluie-débit fiables peut offrir des informations utiles pour la planification et la gestion des ressources en eau. Dans un contexte de simplicité, la modélisation par un modèle Génie Rural (GR), qui est le modèle GR4j (modèle du Génie Rural à 4 paramètres Journalier) a l’avantage de n’exiger que des séries de données météorologiques (pluie, ETP) et hydrométrique (débit) au pas de temps journalier. L'utilisation du réseau de neurones artificiels (RNA) pour adopter de tels modèles et prévoir les changements dans le débit est devenue populaire parmi de nombreux hydrologues depuis longtemps. L'intégration d'approches d'optimisation heuristiques modernes avec RNA pour augmenter ses performances, a attiré beaucoup d'attention. D'un autre côté, un apprentissage en profondeur d'un réseau de neurones convolutifs (CNN) a récemment suscité un intérêt remarquable de la part des chercheurs, et tout comme RNA, son intégration avec des outils heuristiques améliore davantage son efficacité. Ce travail de recherche vise en premier lieu, de simuler la transformation de la pluie en débit journalier dans le bassin de la Seybouse situé dans une région semi-aride en Algérie, en utilisant le modèle conceptuel GR4J. Les mauvais résultats obtenues par ces models, nous incité de changer l’axe d’application vers les modèles boite noire notamment les RNA dans un premier temps. Par ailleurs, tester la faisabilité d’utilisation de RNA avec quatre configurations d'entrée pour modéliser toujours les débits journaliers dans le même bassin. La 1er RNA IP ne considère que les précipitations comme variable d'entrée. La 2e RNA IIP,ETP, RNA IIP,T, RNA IIP,HUM, RNA IIP,Vv considère un 2e variable dans l'entrée du modèle avec les précipitations (évapotranspiration, température, humidité ou vitesse du vent). La troisième RNA IIIP,T,HUM combine la température, l'humidité et les précipitations. Le dernier RNA VP,ETP,T,HUM,Vv consiste à collationner les différents paramètres météorologiques avec les précipitations comme variable d'entrée. Les modèles RNA sont conçus pour l'ensemble du bassin avec les mêmes configurations que celles spécifiées ci-dessus. De meilleures simulations de débit ont été fournies par RNA IIP,T et RNA IIP,Vv pour les deux stations de Medjez-Amar II et Bordj-Sabath, respectivement. Cependant, l’application de RNA VP,ETP,T,HUM,Vv pour les autres stations et également pour l'ensemble du bassin reflète une stratégie pour la simulation de débit et montre une amélioration de la précision de prédiction par rapport aux autres configurations. Les quatre configurations des modèles neuronaux sont plus performantes que le modèle GR4j pour les six stations d’étude. Après cela, vérifier l'efficacité de l'intégration de modèles RNA avec les algorithmes métaheuristiques; l’algorithmes génétiques GA, l’optimisation d'essaim de particules PSO, l’algorithme de luciole FFA et l’optimisation d'essaim de particules améliorée IPSO, également pour la modélisation du débit journalier , où l'entrée des modèles était constituée des précipitations et du débit antérieurs. Les résultats de l'analyse dans toutes les stations d'étude ont révélé que le modèle RNA-IPSO dépasse RNA-GA, RNA-PSO et RNA-FFA dans l'estimation du débit. Par conséquent, l'algorithme métaheuristique hybride IPSO est la meilleure technique pour améliorer la capacité de RNA dans la modélisation pluie-débit journalier. Enfin, examiner un apprentissage en profondeur autonome d'un réseau de neurones convolutifs (CNN) et un réseau amélioré utilisant un algorithme compétitif impérialiste (ICA) et une optimisation du loup gris (GWO) pour prédire le débit horaire à plusieurs échelles, allant de 100 km2 à plus de 6000 km2 dans le bassin d'étude. L'ensemble de données de réanalyse atmosphérique, ERA5 avec une résolution de 31 km généré par le Centre européen de prévisions météorologiques à moyen terme, des indices de variabilité climatique et des observations de débit in situ ont été utilisés dans la modélisation des débits de crues. L’analyse en composante principale a été utilisée pour identifier les variables d'entrée les plus significatives. Les résultats aux six stations d'étude révèlent que les modèles avec des indices climatiques sont plus performants, en particulier pour prédire les débits extrêmes dans les bassins avec des zones de drainage comprises entre 200 km2 et 2000 km2, que les modèles avec uniquement des données atmosphériques comme entrées. Le modèle CNN-GWO a surpassé CNN-ICA et le modèle autonome pour prédire le débit avec une NSE améliorée jusqu'à 0,99. Developing trustworthy rainfall-runoff (R-R) models can offer serviceable information for planning and managing water resources. In a context of simplicity, modeling by an Agricultural Engineering (GR) model, which is the GR4j model (Agricultural Engineering model with 4 daily parameters) has the advantage of only requiring series of meteorological data (rainfall, ETP ) and hydrometric (flow) in daily time steps. Use of artificial neural network (RNA) in adopting such models and predicting changes in runoff has become popular among many hydrologists from a long time. Integrating modern heuristic optimization approaches with RNA to increase its performance has attracted a lot of attention. On the other side, a deep learning of a convolutional neural network (CNN) has gained remarkable interest by researchers recently, and similar to RNA its integration with heuristic tools improves more its effectiveness. This research aims firstly to simulate the transformation of rainfall into daily flow in the Seybouse basin located in a semi-arid region in Algeria, using the GR4J conceptual model. The poor results obtained by these models prompted us to change the axis of application to black box models, in particular ANN, at first. Thus, test the feasibility of using RNA with four input configurations to model the daily runoff relationship in the same basin. The 1st RNA IP only considers precipitation as an input variable. The 2nd RNA IIP,ETP, RNA IIP,T, RNA IIP,HUM, RNA IIP,Vv considers a 2nd variable in the model input with precipitation (evapotranspiration, temperature, humidity or wind speed). The third RNA IIIP,T,HUM combines temperature, humidity and precipitation. The last RNA VP,ET, T,HUM,Vw consists of collating the various meteorological parameters with precipitation as input variable. RNA models are made for the entire basin with the same configurations as specified above. Better flow simulations were provided by RNA IIP,T and RNA IIP,Vv for the two stations of Medjez-Amar II and Bordj-Sabath, respectively. However, the RNA VP,ET, T,HUM,Vw’s application for the other stations and also for the entire basin reflects a strategy for the flow simulation and shows enhancement in the prediction accuracy over the other configurations. The four configurations of the neural models perform better than the GR4j model for the six study stations. After that, test the efficiency of integrating RNA models with the metaheuristic algorithms; Genetic Algorithms GA, Particle Swarm Optimization PSO, Firefly Algorithm FFA and improved Particle Swarm Optimization IPSO, also for daily runoff modeling, where the model’s input was made up of antecedent’s rainfall and runoff. The results of the analysis at all study stations revealed that the RNA-IPSO model outperforms RNA-GA, RNA-PSO and RNA-FFA in runoff estimation. Therefore, IPSO hybrid metaheuristic algorithm is the best technique to improve the RNA capability in daily rainfall-runoff modeling. Finally, examine a standalone deep learning of a convolutional neural network (CNN) and improved one utilizing an imperialist competitive algorithm (ICA) and a gray wolf optimization (GWO) to predict hourly runoff at multiple scales, ranging from 100 km2 to over 6000 km2 in the study Basin. The atmospheric reanalysis dataset, ERA5 with a 31 km resolution generated by the European Centre for Medium-Range Weather Forecasts, climate variability indices and in-situ runoff observations were used in the development of the proposed modeling technique. The principal component analysis technique was used to identify the most significant input variables. Results at the six study stations disclose that models with climate indices, perform better especially in predicting extreme runoffs in basins with drainage areas between 200km2 and 2000km2 than the models with only atmospheric data as inputs. The CNN-GWO model outperformed CNN-ICA and standalone model in predicting runoff with improved NSE up to 0.99. يمكن أن يوفر تطوير نماذج موثوقة للسيول المائية معلومات مفيدة لتخطيط موارد المياه وإدارتها. في سياق البساطة ، تتميز النمذجة بواسطة نموذج الهندسة الزراعية (GR) ، وهو نموذج GR4j (نموذج الهندسة الزراعية مع 4 معلمات يومية) بميزة تتطلب فقط سلسلة من بيانات الأرصاد الجوية (المطر ، ETP) والقياس الهيدرومتري (التدفق) في خطوات الوقت اليومي. أصبح استخدام الشبكة العصبية الاصطناعية (RNA) لتبني مثل هذه النماذج والتنبؤ بالتغيرات في التدفق شائعًا بين العديد من علماء الهيدرولوجيا لفترة طويلة. جذب دمج مناهج التحسين الارشادية الحديثة مع RNA لزيادة أدائها الكثير من الاهتمام. من ناحية أخرى ، جذبت الشبكة العصبية التلافيفية للتعلم العميق (CNN)مؤخرًا اهتمامًا ملحوظًا من الباحثين ، تمامًا مثل RNA ، يؤدي دمجها مع مناهج التحسين الارشادية إلى تحسين كفاءتها. يهدف هذا العمل البحثي أولاً إلى محاكاة تحويل هطول الأمطار إلى تدفق يومي في حوض سيبوس الواقع في منطقة شبه قاحلة في الجزائر ، باستخدام النموذج المفاهيمي GR4J. دفعتنا النتائج الضعيفة التي حصلت عليها هذه النماذج إلى تغيير محور التطبيق إلى نماذج الصندوق الأسود ، ولا سيما RNA ، في البداية. بالإضافة إلى ذلك ، اختبر جدوى استخدام RNA مع أربعة تكوينات للمدخلات لنمذجة التدفقات اليومية دائمًا في نفس الحوض. الأول RNA IP يأخذ بعين الاعتبار إلا هطول الأمطار فقط كمتغير إدخال. يعتبر الثاني RNA IIP,ETP, RNA IIP,T, RNA IIP,HUM, RNA IIP,Vv متغيرًا ثانيًا مع هطول الأمطار (التبخر ، نتح الحرارة ، الرطوبة أو سرعة الرياح) في إدخال النموذج. يجمع الثالث RNA IIIP,T,HUM بين درجة الحرارة والرطوبة وهطول الأمطار. يتكون الاخير RNA VP,ETP,T,HUM,Vv من تجميع مختلف معلمات الأرصاد الجوية مع هطول الأمطار كمتغير إدخال. تم تصميم نماذج RNA للحوض بأكمله بنفس التكوينات على النحو المحدد أعلاه. تم توفير محاكاة أفضل للتدفق بواسطة RNA IIP,T و RNA IIP,Vv لمحطتي Medjez-Amar II و Bordj-Sabath ، على التوالي. إلا أن، تطبيق RNA VP,ETP,T,HUM,Vv للمحطات الأخرى وأيضًا للحوض بالكامل يعكس استراتيجية لمحاكاة التدفق ويظهر تحسنًا في دقة التنبؤ مقارنة بالتكوينات الأخرى. تعمل التكوينات الأربعة للنماذج العصبية بشكل أفضل من نموذج GR4j لمحطات الدراسة الست. بعد ذلك ، التحقق من كفاءة دمج نماذج RNA مع خوارزميات metaheuristic ؛ الخوارزميات الجينية GA ، تحسين حشد الجسيمات PSO ، خوارزمية اليراع FFA و خوارزمية تحسين سرب الجسيمات المحسنة IPSO، أيضًا لنمذجة التدفق اليومي ، حيث تم تشكيل مدخلات النماذج من هطول الأمطار والتدفقات السابقة. كشفت نتائج التحليل في جميع محطات الدراسة أن نموذج RNA-IPSO يتفوق على أداء RNA-GA و RNA-PSO و RNA-FFA في تقديرالتدفق. لذلك ، تعد الخوارزمية الهجينة IPSO هي أفضل تقنية لتحسين قدرة RNA في نمذجة التدفق اليوميً. أخيرًا ، فحص الشبكة العصبية التلافيفية ذات التعلم العميق (CNN) وشبكة محسّنة باستخدام خوارزمية إمبريالية تنافسية (ICA) وتحسين الذئب الرمادي (GWO) للتنبؤ بالتدفق الساعي على نطاقات متعددة ، تتراوح من 100 كيلومتر مربع إلى أكثر من 6000 كيلومتر مربع في منطقة الدراسة. تم استخدام مجموعة بيانات إعادة تحليل الغلاف الجوي ، ERA5 بدقة 31 كم التي تم إنشاؤها بواسطة المركز الأوروبي للتنبؤات الجوية متوسطة المدى ، ومؤشرات تقلب المناخ ورصد التدفق في الموقع في نمذجة تدفق الفيضانات. تم استخدام تحليل المكون الرئيسي لتحديد أهم متغيرات المدخلات. كشفت النتائج في محطات الدراسة الست أن النماذج ذات المؤشرات المناخية تعمل بشكل أفضل ، خاصة في التنبؤ بالتدفقات الشديدة في الأحواض مع مناطق الصرف بين 200 كيلومتر مربع و 2000 كيلومتر مربع ، مقارنة بالنماذج التي تحتوي على بيانات الغلاف الجوي فقط كمدخلات. تفوق نموذج CNN-GWO على CNN-ICA والنموذج المستقل في التنبؤ بالتدفق مع NSE محسن حتى 0.99.