Hamma, Rahma2024-09-102024-09-102024http://dspace.univ-oeb.dz:4000/handle/123456789/19675Cette étude explore la modélisation pluie-débit à l'échelle journalière en utilisant des modèles conceptuels (GR4J), des réseaux de neurones artificiels (RNA), des réseaux de neurones récurrents (LSTM), ainsi que des variantes intégrant le Filtre de Kalman (ANN-KF, LSTM-KF). Les modèles ont été appliqués au sous-bassin versant de Bouchagouf de l'Oued Seybouse en Algérie. Les critères d'efficacité de simulation utilisés incluent le critère de Nash-Sutcliffe (NSE), le coefficient de corrélation et la chronographie des débits observés et simulés. Les données d'entrée comprenaient les précipitations, l'évapotranspiration potentielle calculée à l'aide de la formule d'Oudin, et les débits journaliers enregistrés à l'exutoire du bassin versant. Les résultats montrent que les réseaux de neurones dynamiques (LSTM) et les RNA ont démontré une meilleure adaptabilité et flexibilité pour modéliser la relation pluie-débit, surtout pour les courtes périodes. En revanche, les modèles conceptuels comme GR4J ont montré une capacité limitée à capturer les schémas généraux de la transformation pluie-débit. L'intégration du Filtre de Kalman (ANN-KF, LSTM-KF) a également amélioré les performances des modèles neuronaux.frOther