République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Ecole Nationale Polytechnique
Département Hydraulique

Projet de fin d’études pour l’obtention du diplôme d’Ingénieur d’Etat en

HYDRAULIQUE

Modélisation du transport
solide par les modèles
empirique et neuro-flou à
différents pas de temps
Présenté par : BACHA Fella

Devant le jury :
Président : Mr M.Nakib
Examinateur : Dr.A.Lefkir
Examinateur : Mr A.Yahiaoui
Encadreur : Dr.A.Bermad

Juin 2012
Dédicace

A mes parents
A ma sœur
A mes frères
Remerciements

Je tiens à remercier en premier lieu le docteur Bermad qui

m’a encadré, guidé tout en long de ce travail. Je remercie aussi le
docteur Lefkir qui a fait partager son savoir et expérience de
recherche.
Je tiens à remercier en particulier mes très chers parents
pour leur soutien, leurs sacrifices et leur éducation, sans eux je ne
serai arrivée là où je suis. Un grand merci à ma cher sœur et mes
deux frères adorés.
Je tiens aussi à remercier ma camarade Amel Ouch. qui m’a
vivement encouragé, soutenu et qui m’a était de très bon conseil
(il n’existera jamais deux comme elle). Je remercie aussi mes
autres amis Imen, Hayet, Naciba et Hamid sans oubliés les deux
frères de guerre Hichem et Rami, qui ont eux j’ai trouvé toute
l’aide et soutien pour accomplir ce travail.
Mes remerciement vont aussi vers tous les amis, camarades
qui m’ont aidée, soutenue et encouragée de près comme de loin.
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

RESUME

L’étude consiste à modéliser le transport solide en suspension dans le bassin versant de

l’oued Isser (Lakhdaria, Algérie). Les quantités de matières transportées sont très importantes
et finissent par se sédimenter à l’exutoire dans le barrage de Beni Amrane. L’Algérie est très
touchée par ce phénomène et se retrouve avec des retenues qui ne contiennent que la moitié
de leurs capacités initiales. La modélisation de ce phénomène est une étape préliminaire pour
toute étude de quantification du transport solide qui a pour intérêt l’évaluation de la grandeur
du problème et de là envisager des solutions optimums de protections des bassins. Dans ce
contexte, on tentera de trouver la meilleure échelle temporelle à adopter pour l’étude de la
relation débit solide-débit liquide tout en cherchant un modèle optimale basé sur la statistique
des échantillons qui représentera cette relation. Afin d’améliorer les résultats nous
exploiterons un des modèles de l’intelligence artificielle: le modèle neuro-floue.

Mots clés : Transport solide, érosion, modèle empirique, modèle neuro-flou.

ABSTRACT

The study is about modeling the suspended sediment in the watershed of Oued Isser
(Lakhdaria, Algeria). The quantities of materials being transported are very important and
eventually settle at the outlet in the dam of Beni Amrane. Algeria is very affected by this
phenomenon and ends up with water storages which contain only half their original capacity.
Modeling of this phenomenon is a preliminary step for any study of quantification of
sediment transport whose interest is the evaluation of the magnitude of the problem, to
suggest solutions to optimal protection of watersheds. In this context, we try to find the best
time scale to be adopted for the study of the relationship solid-liquid flow rate while seeking
an optimal model based on statistical samples representing this relationship. To improve the
results we will use one of the models of artificial intelligence: the neuronal-fuzzy model.

Key words: Suspended sediment, erosion, empirical model, neuronal-fuzzy model.

‫ملخص‬
‫إن الجزائر جد متأثرة من ظاهرتي إنجراف التربة و تطين السدود ولهذا تهدف هذه الدراسة إلى البحث عن أحسن تقنية‬
‫ الكميات من المواد التي يتم نقلها عبر المياه‬.)‫ الجزائر‬،‫تمثل الرواسب العالقة في مستجمعات المياه لواد إيسر(األخضرية‬
‫ النماذج التي ستدرس لهذه الظاهرة تعتبر خطوة تمهيدية ألية دراسة‬.‫مهمة جدا وستستقر في مصبها في سد بني عمران‬
‫ ومن ثم النظر إلى حلول لحماية‬،‫تبحث عن تقييم الحجم الكمي لنقل الرواسب التي لها بهدف أساسي تقييم حجم المشكلة‬
‫ طريقة‬:‫ ونحن نحاول العثور على نطاق للدراسة تمكنا من مقارنة تقنيتين‬،‫ في هذا السياق‬.‫مستجمعات المياه و السدود‬
‫العينات االحصائيات الكالسيكية وطريقة تعتمد في تحليلها على الذكاء االصطناعي لتمثيل عالقة التدفق السائل مع‬
.‫المكونات الصلبة‬

.‫ نموذج الذكاء االصطناعي‬،‫ نموذج االحصائيات الكالسيكية‬،‫ إنجراف التربة‬،‫ نقل الرواسب‬: ‫الكلمات المفتحية‬
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Table des matières

Introduction Générale ............................................................................................................................. 1
I. Chapitre: Théorie du transport solide ............................................................................................. 3
I.1 Introduction ............................................................................................................................ 4
I.2 L’érosion ................................................................................................................................ 4
I.2.1 Définition ........................................................................................................................... 4
I.2.2 Origine et mécanisme ......................................................................................................... 4
I.2.3 Les formes d’érosion .......................................................................................................... 5
I.2.4 Facteurs de l’érosion ........................................................................................................... 6
I.2.5 Les types de dégât .............................................................................................................. 7
I.2.6 Estimation des pertes de terres ............................................................................................ 8
I.3 Transport solide .................................................................................................................... 13
I.3.1 Définition ......................................................................................................................... 13
I.3.2 Mode de transport solide .................................................................................................. 14
I.3.3 Mesure du transport solide ................................................................................................ 15
I.4 Méthodes utilisées dans l’étude de l’érosion hydrique [2] .................................................... 18
I.4.1 Modélisation et mesures de flux en aval des bassins versants ........................................... 18
I.4.2 Utilisation de l’imagerie satellitale ................................................................................... 18
I.4.3 Utilisation des marqueurs radio-actifs .............................................................................. 19
I.5 Envasement des barrages en Algérie .................................................................................... 19
II. Chapitre: Théorie de modélisation du transport solide ................................................................. 20
II.1 Introduction .......................................................................................................................... 21
II.2 Quelques définition .............................................................................................................. 21
II.3 Objectifs de la modélisation ................................................................................................. 22
II.4 Facteurs caractéristiques de la modélisation ......................................................................... 22
II.5 Les grandes étapes de la modélisation .................................................................................. 22
II.6 Définition de la simulation ................................................................................................... 23
II.7 Théories mathématiques du transport solide ......................................................................... 23
II.7.1 Les modèles empiriques ............................................................................................... 23
II.7.2 Les modèles conceptuels .............................................................................................. 24
II.7.3 Les modèles physiques (mécanistes) ............................................................................ 24
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

II.7.4 Modèles à boite noire.................................................................................................... 25

II.8 Mise en œuvre d’un modèle ................................................................................................. 25
II.8.1 Paramètres des modèles ................................................................................................ 25
II.8.2 Calage du modèle ......................................................................................................... 25
II.8.3 Validation du modèle .................................................................................................... 26
II.9 Critères d’évaluation d’un modèle ........................................................................................ 26
II.9.1 Principaux critères objectifs .......................................................................................... 26
II.9.2 Le taux de performance des critères.............................................................................. 29
II.10 Conclusion ............................................................................................................................ 30
III. Chapitre : Les systèmes neuro-flous ......................................................................................... 31
III.1 Introduction .......................................................................................................................... 32
III.2 Identification floue ............................................................................................................... 32
III.3 Définitions de base ............................................................................................................... 32
III.3.1 Les réseaux de neurones ............................................................................................... 32
III.3.2 La logique floue ............................................................................................................ 33
III.3.3 Les sous-ensembles flous.............................................................................................. 33
III.3.4 La fonction d’appartenance .......................................................................................... 33
III.3.5 Les variables linguistiques ............................................................................................ 34
III.3.6 Le raisonnement en logique floue ................................................................................. 34
III.3.7 Système d’inférence flou (SIF) ..................................................................................... 35
III.3.8 Synoptique d’un système flou ....................................................................................... 36
III.3.9 Type des systèmes d’inférence ..................................................................................... 37
III.4 Système hybride neuro-flou [7] ............................................................................................ 38
III.4.1 Emergence des systèmes hybrides pour la prédiction ................................................... 38
III.4.2 Architectures neuro-floues ............................................................................................ 40
III.4.3 Améliorations potentielles d’un système ANFIS .......................................................... 45
IV. Chapitre : Présentation de la zone d’étude ................................................................................ 48
IV.1 Introduction .......................................................................................................................... 49
IV.2 Situation géographique du bassin versant ............................................................................. 50
IV.3 Caractéristiques morphométriques........................................................................................ 51
IV.4 Le climat ............................................................................................................................... 51
IV.5 Caractéristiques du réseau hydrographique .......................................................................... 51
IV.6 Caractéristiques géologiques et lithologiques ....................................................................... 52
IV.6.1 Le socle cristallophyllien .............................................................................................. 52
IV.6.2 Les roches éruptives ..................................................................................................... 53
IV.6.3 Les formations sédimentaires ....................................................................................... 53
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

IV.7 Caractéristiques du couvert végétal ...................................................................................... 54

IV.8 Etat d’envasement du barrage de Beni Amrane .................................................................... 55
IV.9 Présentation des données hydrométriques ............................................................................ 55
IV.10 Paramètres statistiques des données .................................................................................. 56
IV.11 Traitements statistiques des données ................................................................................ 57
IV.11.1 Détection de valeur singulières Test de Grubbs et Beck ............................................... 57
IV.12 Conclusion ........................................................................................................................ 58
V. Chapitre : Modélisation par les modèles empirique et neuro-flou ................................................ 59
V.1 Partie I .................................................................................................................................. 60
V.1.1 Modélisation par les modèles régressifs ....................................................................... 60
V.1.2 Modélisation statistique avec données brutes ............................................................... 60
V.1.3 Conclusion de la première partie .................................................................................. 84
V.2 Partie II ................................................................................................................................. 84
V.2.1 Simulation du transport solide par le modèle neuro-flou et empirique.......................... 84
V.2.2 Conclusion de la deuxième partie ............................................................................... 110
Conclusion Générale .......................................................................................................................... 111
Références bibliographiques .............................................................................................................. 113
Annexe ............................................................................................................................................... 115

Table des illustrations

Liste des tableaux
TABLEAU I.1 : LE TAUX D’EROSION EN FONCTION DE LA PERMEABILITE DU SOL. ...................... 11
TABLEAU I.2 : EQUATIONS DES TAUX D’ABRASIONS. .......................................................................... 12
TABLEAU I.3 : VALEURS DU COEFFICIENT D’ERODABILITE EN FONCTION DU TYPE D’EROSION.
................................................................................................................................................................. 13
TABLEAU II.1: QUALITE DES MODELES EN FONCTION DES VALEURS DES DIFFERENTS
CRITERES. .............................................................................................................................................. 30
TABLEAU IV.1 : TABLEAU COMPARATIF DU VOLUME A L’ANCIENNE COTE (RN=63M)
(ANBT,2004). .......................................................................................................................................... 55
TABLEAU IV.2 : RESULTATS DU TEST DE GRUBBS ET BECK. .............................................................. 58
TABLEAU V.1 : CRITERE DE VALIDATION DE LA REGRESSION (C, QL) A PAS DE TEMPS ANNUEL.
................................................................................................................................................................. 62
TABLEAU V.2 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) A PAS DE TEMPS ANNUEL.
................................................................................................................................................................. 62
TABLEAU V.3 : CRITERE DE VALIDATION DE LA REGRESSION (C,QL) A PAS DE TEMPS
JOURNALIER. ........................................................................................................................................ 64
TABLEAU V.4 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) A PAS DE TEMPS
JOURNALIER. ........................................................................................................................................ 64
TABLEAU V.5 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) AU PAS DE TEMPS
HORAIRE. ............................................................................................................................................... 66
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

TABLEAU V.6 : COEFFICIENT DE DETERMINATION EN (%) DU COUPLE (QS, QL) POUR LES
DIFFERENTES SAISOSNS..................................................................................................................... 68
TABLEAU V.7 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LA SAISON D’HIVER.
................................................................................................................................................................. 68
TABLEAU V.8 : CRITERE DE VALIDATION DE LA REGRESSION (QS, QL) POUR LA SAISON
HUMIDE.................................................................................................................................................. 69
TABLEAU V.9 : COEFFICIENT DE DETERMINATION EN (%) DU COUPLE (QS,QL) POUR LES
DIFFERENTES SAISOSNS..................................................................................................................... 70
TABLEAU V.10 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LA SAISON
D’HIVER. ................................................................................................................................................ 70
TABLEAU V.11 : CRITERE DE VALIDATION DE LA REGRESSION (QS ,QL) POUR LA SAISON
HUMIDE.................................................................................................................................................. 71
TABLEAU V.12 : COEFFICIENT DE DETERMINATION EN (%) DU COUPLE (QS,QL) POUR LES
DIFFERENTES SAISONS. ...................................................................................................................... 72
TABLEAU V.13 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LA SAISON
D’HIVER. ................................................................................................................................................ 72
TABLEAU V.14 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LA SAISON
HUMIDE.................................................................................................................................................. 73
TABLEAU V.15 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) A UN PAS DE TEMPS
MENSUELLE. ......................................................................................................................................... 74
TABLEAU V.16 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LE MOIS DE
JANVIER. ................................................................................................................................................ 75
TABLEAU V.17 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LE MOIS DE
JANVIER. ................................................................................................................................................ 77
TABLEAU V.18 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LE MOIS DE
JANVIER. ................................................................................................................................................ 78
TABLEAU V.19 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) A PAS DE TEMPS
HORAIRE. ............................................................................................................................................... 79
TABLEAU V.20 : COEFFICIENT DE DETERMINATION EN (%) DU COUPLE (QS,QL) POUR LES
DIFFERENTES SAISOSNS..................................................................................................................... 80
TABLEAU V.21 : CRITERE DE VALIDATION DE LA REGRESSION (QS, QL) POUR LA SAISON
D’HIVER. ................................................................................................................................................ 80
TABLEAU V.22 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LA SAISON
HUMIDE.................................................................................................................................................. 81
TABLEAU V.23 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LE MOIS DE
JANVIER. ................................................................................................................................................ 82
TABLEAU V.24 : CRITERE DE VALIDATION DE LA REGRESSION (QS,QL) POUR LE MOIS DE
JANVIER. ................................................................................................................................................ 83
TABLEAU V.25 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE JANVIER (MODELE PUISSANCE). ...................................................... 86
TABLEAU V.26 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE JANVIER (MODELE NEURO-FLOU). ................................................... 87
TABLEAU V.27 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE JANVIER (MODELE PUISSANCE). ...................................................... 89
TABLEAU V.28 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE FEVRIER (MODELE NEURO-FLOU). ................................................... 90
TABLEAU V.29 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE MARS (MODELE NEURO-FLOU). ........................................................ 91
TABLEAU V.30 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE MARS (MODELE NEURO-FLOU). ........................................................ 92
TABLEAU V.31 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS D’AVRIL (MODELE PUISSANCE). ............................................................. 93
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

TABLEAU V.32 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-

VALIDATION DU MOIS D’AVRIL (MODELE NEURO-FLOU). ......................................................... 95
TABLEAU V.33 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE MAI (MODELE PUISSANCE). ............................................................... 96
TABLEAU V.34 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE MAI (MODELE NEURO-FLOU). ........................................................... 97
TABLEAU V.35 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DES MOIS D’ETE (MODELE PUISSANCE). ................................................................ 99
TABLEAU V.36 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CLAAGE-
VALIDATION DES MOIS D’ETE (MODELE NEURO-FLOU). ............................................................ 99
TABLEAU V.37 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE SEPTEMBRE (MODELE NEURO-FLOU)............................................ 100
TABLEAU V.38 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE SEPTEMBRE (MODELE NEURO-FLOU)............................................ 101
TABLEAU V.39 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS D’OCTOBRE (MODELE PUISSANCE). .................................................... 102
TABLEAU V.40 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS D’OCTOBRE (MODELE NEURO-FLOU). ................................................. 103
TABLEAU V.41 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS D’OCTOBRE (MODELE PUISSANCE). .................................................... 104
TABLEAU V.42 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS D’OCTOBRE (MODELE NEURO-FLOU). ................................................. 105
TABLEAU V.43 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE NOVEMBRE (MODELE PUISSANCE). ............................................... 106
TABLEAU V.44 : CRITERE DE VALIDATION POUR LES DIFFERENTES SERIES CALAGE-
VALIDATION DU MOIS DE NOVEMBRE (MODELE NEURO-FLOU). ........................................... 107
TABLEAU V.45 : CRITERE DE VALIDATION POUR LE MOIS DE DECEMBRE POUR LES
DIFFERENTES SERIES CALAGE-VALIDATION (MODELE PUISSANCE). .................................... 108
TABLEAU V.46 : CRITERE DE VALIDATION POUR LE MOIS DE DECEMBRE POUR LES
DIFFERENTES SERIES CALAGE-VALIDATION (MODELE PUISSANCE). .................................... 109

Liste des figures

FIGURE III.1 : FONCTION D’APPARTENANCE CARACTERISANT LES SOUS ENSEMBLES DES
VARIABLES D’ENTREES ET DE SORTIES. ........................................................................................ 34
FIGURE III.2 : ARCHITECTURE D’UN SYSTEME FLOU. .......................................................................... 35
FIGURE III.3 : CALCUL D’UNE VALEUR DE MES PAR LA METHODE DU CENTRE DE GRAVITE. ... 36
FIGURE III.4 : APERÇU SYNOPTIQUE D’UN SYSTEME FLOU. ............................................................... 37
FIGURE III.5 : VERS LES SYSTEMES HYBRIDES D’APRES GOURIVEAU ET AL.,2007 ........................ 39
FIGURE III.6 : ARCHITECTURES DES SYSTEMES NEURO-FLOUS D’APRES (RACOCEANU, 2006). .. 41
FIGURE III.7 : ARCHITECTURE DE L’ANFIS (JANG ET AL.,1997). .......................................................... 43
FIGURE III.8 : ETAPE DE SYNTHESE D’UNE IDENTIFICATION FLOUE SOUS ANFIS DE MATLAB. . 45
FIGURE III.9 : PARTITIONNEMENT DE L’ESPACE DES ENTREES. ........................................................ 46
FIGURE IV.1 : GRANDS BASSINS VERSANTS DU NORD ALGERIEN..................................................... 49
FIGURE IV.2 : SITUATION GEOGRAPHIQUE DU BASSIN VERSANT DE L’ISSER. ............................... 50
FIGURE IV.3 : CARTES DES STATIONS HYDROCLIMATOLOGIQUES DU BASSIN VERSANT DE LA
STATION DE LAKHDARIA................................................................................................................... 52
FIGURE IV.4 : CARTE SCHEMATIQUE DES FORMATIONS LITHOLOGIQUES DU BASSIN VERSANT
DE L’OUED ISSER. ................................................................................................................................ 53
FIGURE IV.5 : CARTE SCHEMATIQUE DE VEGETATION DU BASSIN VERSANT DE L’OUED ISSER.
................................................................................................................................................................. 54
FIGURE IV.6 : CARACTERISTIQUES STATISTIQUES DU DEBIT SOLIDE. ............................................. 56
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

FIGURE IV.7 : CARACTERISTIQUES STATISTIQUES DU DEBIT LIQUIDE. ........................................... 56

FIGURE IV.8 : CARACTERISTIQUES STATISTIQUES DE LA CONCENTRATION DES MES. ............... 57
FIGURE V.1 : SCHEMA RECAPITULATIF DES DEUX APPROCHES ETUDIEES. .................................... 61
FIGURE V.2 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) A PAS DE TEMPS
ANNUEL DES DIFFERENTES REGRESSIONS (A) LINEAIRE, (B) POLYNOMIALE, (C)
PUISSANCE. ........................................................................................................................................... 63
FIGURE V.3 : REPRESENTATION DE LA CORRELATION (C SIM-C OBS) A PAS DE TEMPS ANNUEL
DES DIFFERENTES REGRESSIONS (A) LINEAIRE, (B) POLYNOMIALE, (C) PUISSANCE ........... 63
FIGURE V.4 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) A PAS DE TEMPS
JOURNALIER DES DIFFERENTES REGRESSIONS (A) LINEAIRE, (B) POLYNOMIALE, (C)
PUISSANCE. ........................................................................................................................................... 65
FIGURE V.5 : REPRESENTATION DE LA CORRELATION (C SIM-C OBS) A PAS DE TEMPS
JOURNALIER POUR LES DIFFERENTES REGRESSIONS (A) LINEAIRE, (B) POLYNOMIALE, (C)
PUISSANCE. ........................................................................................................................................... 66
FIGURE V.6 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) A UN PAS DE TEMPS
HORAIRE DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE................... 67
FIGURE V.7 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LA SAISON
D’HIVER DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ................... 69
FIGURE V.8 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LA SAISON
HUMIDE DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ................... 70
FIGURE V.9 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LA SAISON
D’HIVER DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ................... 71
FIGURE V.10 : REPRESENTATION DE LA CORRELATION (QS SIM-QSOBS) POUR LA SAISON
HUMIDE DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ................... 72
FIGURE V.11 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LA SAISON
D’HIVER DES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ............................................. 73
FIGURE V.12 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LA SAISON
HUMIDE DES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ............................................. 74
FIGURE V.13 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) A UN PAS DE TEMPS
MENSUELLE DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ............ 75
FIGURE V.14 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LE MOIS DE
JANVIER DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. .................. 76
FIGURE V.15 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LE MOIS DE
JANVIER DES DIFFERENTES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ................... 77
FIGURE V.16 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LE MOIS DE
JANVIER DES REGRESSIONS (A) POLYNOMIALE, (B) PUISSANCE. ............................................ 78
FIGURE V.17 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) A L’ECHELLE
INTERANNUELLE POUR LA REGRESSION PUISSANCE. ................................................................ 80
FIGURE V.18 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LA SAISON
D’HIVER POUR UN MODELE PUISSANCE. ....................................................................................... 81
FIGURE V.19 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LA SAISON
HUMIDE POUR UN MODELE PUISSANCE. ........................................................................................ 81
FIGURE V.20 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LE MOIS DE
JANVIER POUR UN MODELE PUISSANCE. ....................................................................................... 82
FIGURE V.21 : REPRESENTATION DE LA CORRELATION (QS SIM-QS OBS) POUR LE MOIS DE
JANVIER POUR UN MODELE PUISSANCE. ....................................................................................... 83
FIGURE V.22 : SIMULATION DU MOIS DE JANVIER PAR LE MODELE PUISSANCE
(CALAGE 200 JOURS- VALIDATION 51 JOURS)................................................................................ 86
FIGURE V.23 : SIMULATION DU MOIS DE JANVIER PAR LE MODELE NEURO-FLOU
(CALAGE 200 JOURS- VALIDATION 51 JOURS)................................................................................ 87
FIGURE V.24 : SIMULATION DU MOIS DE JANVIER PAR LE MODELE NEURO-FLOU
(CALAGE 228 JOURS- VALIDATION 23 JOURS)................................................................................ 88
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

FIGURE V.25 : SIMULATION DU MOIS DE FEVRIER PAR LE MODELE PUISSANCE

(CALAGE 191 VALEURS- VALIDATION 36 VALEURS). ................................................................... 89
FIGURE V.26 : SIMULATION DU MOIS DE FEVRIER PAR LE MODELE NEURO-FLOU
(CALAGE 191 JOURS- VALIDATION 36 JOURS)................................................................................ 90
FIGURE V.27 : SIMULATION PAR LE MOIS DE FEVRIER PAR LE MODELE NEURO-FLOU
(CALAGE 200 JOURS- VALIDATION 27 JOURS)................................................................................ 91
FIGURE V.28 : SIMULATION DU MOIS DE MARS PAR LE MODELE PUISSANCE
(CALAGE 139 JOURS- VALIDATION 51 JOURS)................................................................................ 92
FIGURE V.29 : SIMULATION DU MOIS DE MARS PAR LE MODELE NEURO-FLOU
(CALAGE 139 JOURS- VALIDATION 51 JOURS)................................................................................ 93
FIGURE V.30 : SIMULATION DU MOIS D’AVRIL PAR LE MODELE PUISSANCE
(CALAGE 80 JOURS- VALIDATION 27 JOURS).................................................................................. 94
FIGURE V.31 : SIMULATION DU MOIS D’AVRIL PAR LE MODELE NEURO-FLOU
(CALAGE 80 JOURS- VALIDATION 27 JOURS).................................................................................. 95
FIGURE V.32 : SIMULATION DU MOIS D’AVRIL PAR LE MODELE NEURO-FLOU
(CALAGE 87 JOURS- VALIDATION 20 JOURS).................................................................................. 96
FIGURE V.33 : SIMULATION DU MOIS DE MAI PAR LE MODELE PUISSANCE
(CALAGE 99 JOURS- VALIDATION 20 JOURS).................................................................................. 97
FIGURE V.34 : SIMULATION DU MOIS DE MAI PAR LE MODELE NEURO-FLOU
(CALAGE 92 JOURS- VALIDATION 27 JOURS).................................................................................. 98
FIGURE V.35 : SIMULATION DES MOIS D’ETE PAR LE MODELE NEURO-FLOU
(CALAGE 48 JOURS-VALIDATION 17 JOURS). ............................................................................... 100
FIGURE V.36 : SIMULATION DU MOIS DE SEPTEMBRE PAR LE MODELE PUISSANCE
(CALAGE 55 JOURS- VALIDATION 20 JOURS)................................................................................ 101
FIGURE V.37 : SIMULATION DU MOIS DE SEPTEMBRE PAR LE MODELE NEURO-FLOU
(CALAGE 55 JOURS- VALIDATION 20 JOURS)................................................................................ 102
FIGURE V.38 : SIMULATION DU MOIS D’OCTOBRE PAR LE MODELE PUISSANCE
(CALAGE 104 JOURS- VALIDATION 37 JOURS).............................................................................. 103
FIGURE V.39 : SIMULATION DU MOIS D’OCTOBRE PAR LE MODELE NEURO-FLOU
(CALAGE 94 JOURS- VALIDATION 47 JOURS)................................................................................ 104
FIGURE V.40 : SIMULATION DU MOIS D’OCTOBRE PAR LE MODELE NEURO-FLOU
(CALAGE 94 JOURS- VALIDATION 47 JOURS)................................................................................ 105
FIGURE V.41 : SIMULATION DU MOIS DE NOVEMBRE PAR LE MODELE PUISSANCE
(CALAGE 120 JOURS- VALIDATION 33 JOURS).............................................................................. 106
FIGURE V.42 : SIMULATION DU MOIS DE NOVEMBRE PAR LE MODELE NEURO-FLOU
(CALAGE 120 JOURS- VALIDATION 33 JOURS).............................................................................. 108
FIGURE V.43 : SIMULATION DU MOIS DE DECEMBRE PAR LE MODELE PUISSANCE
(CALAGE 169 JOURS- VALIDATION 51 JOURS).............................................................................. 109
FIGURE V.44 : SIMULATION DU MOIS DE DECEMBRE PAR LE MODELE NEURO-FLOU
(CALAGE 213 JOURS- VALIDATION 07 JOURS).............................................................................. 110
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Introduction Générale

Les barrages hydrauliques sont des aménagements réalisés en vue de servir de retenue
principalement en temps de pluie. Ainsi, on évitera les inondations et on comblera le déficit
d’eau enregistré dans différents secteurs. Malheureusement ces ouvrages ne sont pas toujours
aisément exploités.

L’infrastructure hydraulique des pays du Maghreb est amputée annuellement d’un

grand pourcentage de sa réserve globale. L’Algérie dispose de 98 ouvrages de retenues des
eaux qui ne contiennent que la moitié de leur capacité initiale. Cette perte en volume total ne
peut entrainer que la réduction de la durée de vie d’un barrage, et parfois, il peut même arriver
à sa limite.

La limitation de la durée de vie de ces ouvrages est due au problème de sédimentation.

Parfois, elle peut atteindre un taux de 90%. Devant cet état de fait la mesure de l’envasement
des barrages présente un intérêt pour la quantification des sédiments.

La sédimentation est une conséquence du transport solide et de l’érosion hydrique.

Cette dernière, impacte à son tour, la nature d’une manière désastreuse. Elle laisse les terres
nues et les rend arides surtout en zone montagneuse à réseau d’écoulement dense. Ainsi,
l’érosion affecte beaucoup les infrastructures hydro-agricoles, de telle sorte que parfois il est
quasiment impossible d’y remédier. Avec une érosion moyenne annuelle variant entre 2000 et
4000 t/Km², l’Algérie se classe parmi les pays les plus érodables au monde (Demmak, 1982).

L’Algérie est connue pour son climat semi-aride qui est caractérisé par des
précipitations rares mais agressives et très irrégulières. Dans les années 90, elle a connu une
sécheresse qui a eu pour conséquence la diminution du couvert végétal et la dégradation des
sols. Avec le retour des pluies, ces sols n’ont pas résisté à leur forte intensité causant une
ablation des couches superficielles et favorisant l’érosion.

En conséquence, pour venir à bout du problème d’envasement, des études basées sur la
quantification de l’érosion et du transport solide sont nécessaires. Cela nous permettra
d’évaluer la grandeur du problème et d’arriver à des solutions optimales, ce qui permettra de
préserver toute structure hydraulique se trouvant à l’aval.

Pour ce faire, nous nous sommes proposé d’approcher ce sujet à travers la

modélisation du transport solide à l’aval de l’Oued Isser. Le modèle optimal retenu permettra
dans le futur la prévision et donc par conséquent il servira à l’estimation du transport solide et
le volume d’envasement.

Page 1
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

L’approche méthodologique adoptée consiste à :

 Rechercher un modèle régressif qui nous permettra d’expliquer, au mieux, la

relation débit liquide-débit solide (concentration-débit liquide). Par la même
occasion, on essayera de trouver la meilleure échelle temporelle à adopter pour
la suite du travail ;

 La robustesse du modèle choisi sera testée dans la prévision, c’est-à-dire

qu’on aura à caler le modèle puis à le valider et ce en s’appuyant sur des
évaluations graphiques et statistiques ;

 Faire varier le nombre de valeurs composant la série d’apprentissage et de

validation, le but de cette approche est de trouver la taille optimale donnant les
meilleurs résultats ;

Comme dernière étape nous allons reprendre le même travail appliqué sur le modèle
empirique en utilisant un modèle de l’intelligence artificielle : Le NEURO-FLOU;

 Conclusion générale de notre étude après analyse des résultats trouvés.

Page 2
I. Chapitre: Théorie du
transport solide
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

I.1 Introduction

L’étude du débit solide occupe une place très importante et très vaste dans le domaine
de l’hydrologie de surface et dans la régulation des débits (Touibia, 1996). La matière
première du débit solide est principalement l’érosion continentale. Son étude doit être
intégrée à l’ensemble du bassin versant. Ces derniers sont soumis à une forte érosion hydrique
provoquant l’arrachement de grande quantité de terres. Ces sédiments sont transportés par les
Oueds et se déposent à l’aval dans les barrages. Dans le présent chapitre nous allons présenter
les deux notions suivantes : l’Erosion et le Transport Solide.

I.2 L’érosion
I.2.1 Définition

Dans les sciences de la terre, en géologie, elle est définit comme l’ensemble des facteurs
agissant au voisinage de la surface terrestre et modelant son relief.

Donc le sol subit une perte graduelle de substance (ou élément du relief terrestre). Parmi
les enjeux de l’érosion hydrique l’envasement, coulées boueuses, dépôts...donc il donne
naissance au transport solide.

L’érosion agit à différents rythmes et peut, sur plusieurs dizaines d’années, araser des
montagnes, creuser des vallées.

L’érosion provoque :

-une dégradation des terres qui deviennent moins productives.

-une dégradation de la qualité des eaux (pollution).

I.2.2 Origine et mécanisme

La pluie est la cause primaire de l’érosion, vient ensuite le ruissellement superficiel. Ils
sont à l’origine de l’arrachement et le dépôt de la terre. L’arrachement se fait grâce aux
gouttes d’eau par rejaillissement et aux eaux de ruissellement en même temps.

I.2.2.1 Impact des gouttes de pluie sur le sol

Le sol subit un martèlement considérable causé par les gouttes de pluie.

Si le sol est de nature poreuse, les premières gouttes subiront une infiltration. Mais lorsque la
couche superficielle s’humidifie, trois processus se développent simultanément :

-la dégradation de la structure ;

-la formation d’une pellicule de battance ;

-l’érosion par splash (par rejaillissement).

Page 4
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

I.2.2.2 Le ruissellement

Lors du passage de l’eau, les grains se détachent et sont transportés, cela grâce à la
vitesse de l’eau. On en conclue que la vitesse est un paramètre prépondérant de l’action
érosive du ruissellement superficiel.

Réduire la vitesse de ruissellement revient à pratiquer des techniques anti-érosives, par

exemple :

-d’aménagement fonciers réduisant la pente de la parcelle ;

-de techniques améliorant l’infiltration ;

-des techniques culturales augmentant la rugosité de la surface du sol.

I.2.3 Les formes d’érosion

I.2.3.1 L’érosion en nappe

Cette forme d’érosion est caractéristique des sommets de bassin versant. Le

martèlement des pluies détache les particules et les maintient en suspension par turbulence,
ces dernières grâce au ruissellement avec des vitesses accélérées, se déplacent et entrainent
avec elles d’autres particules. Donc l’érosion en nappe est liée à deux mécanismes : l’effet
splash et le ruissellement lorsque l’intensité devient supérieure à la vitesse d’infiltration.

I.2.3.2 L’érosion linéaire

Appelée aussi l’érosion en rigole ou micro-filet. Elle succède l’érosion en nappe par
concentration du ruissellement dans les creux. A ce stade, les rigoles ne convergent pas mais
forment des ruisselets parallèles.

I.2.3.3 L’érosion par ravinement

La ravine est une rigole approfondie où se concentrent les filets d'eau. Elle se
transforme en ravine lorsque sa profondeur interdit son nivellement par des simples
instruments.
Le ravinement constitue un stade avancé de l'érosion, elles peuvent atteindre des dimensions
considérables.

I.2.3.4 L’affouillement des berges

Les berges aussi subissent un type d’érosion. La vitesse de l’écoulement de l’eau dans
les rivières est le principal facteur de cette érosion, elle arrache des masses de matériaux qui
seront emporté par la suite avec le cours d’eau.

Page 5
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

I.2.3.5 La sédimentation

La sédimentation n’est pas considérée comme une forme d’érosion mais c’est l’étape
finale que subissent les particules arrachées aux terres.

Les particules se déposent dans l'ordre suivant :

-sable ;

-sable fin ;

-limon.

Les argiles et l'humus colloïdal sont généralement transportés jusqu'à l'embouchure du cours
d'eau où il se dépose soit après évaporation de l'eau, soit après floculation.

I.2.4 Facteurs de l’érosion

Un relief qui subit une érosion est appelé « relief d’érosion ». Les facteurs d’érosion
sont principalement :

I.2.4.1 Le climat

La pluie est l’élément essentiel pour ce processus, c’est la cause primaire. Tout transport
de terre nécessite une énergie. Pour l’érosion hydrique sur les versants de pente faible à
moyenne, c’est l’énergie des gouttes des pluies qui déclenche le processus de destruction des
agrégats du sol tandis que le ruissellement n’assure que le transport des particules détachées.
Cependant lorsque la pente augmente, le ruissellement devient lui-même abrasif et son
énergie dépasse celle de la pluie au-delà de 15% (C.M.Woodruff, 1948).

I.2.4.2 La pente

Elle joue un rôle très important sur le développement de l’érosion par sa longueur,
forme et surtout inclinaison.

Mais il est à préciser qu’il n’est point besoin d’une forte pente pour déclencher ce processus.
Des terres de pente de 2% peuvent subir l’érosion ainsi que le ruissellement.
La relation entre l’inclinaison de la pente et l’érosion est une relation de proportionnalité.

I.2.4.3 Le couvert végétal

Le facteur végétation est de loin le facteur le plus important, il sert de protection au sol.
Lorsque le couvert végétal est continu, qu’il s’agisse de forêts, de fourrés, de savane ou d’un
simple paillis, l’érosion et le ruissellement restent très faibles malgré l’agressivité des pluies
et l’inclinaison de la pente (E.J.Roose, 1974).

Page 6
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

La végétation interception les gouttes des pluies ce qui permet la dissipation de

l’énergie cinétique et grâce à son système radiculaire elle maintient le sol en place et favorise
l’infiltration.

Classement par ordre décroissant de protection des principaux types de végétation :

Forêts > herbacés (savane) >culture >jachères nues.

I.2.4.4 Le sol

L’érodibilité d’un sol représente la sensibilité d’un sol à l’arrachement et au transport

des particules qui le composent.

L’érodibilité est fonction de plusieurs paramètres :

La capacité d’infiltration, la stabilité structurale, la texture, la teneur en matière organique

(l’apport en matières organiques améliore la structure du sol et sa cohésion).

I.2.4.5 L’homme

L’homme peut être à l’origine du déclenchement et de l’accélération de l’érosion par les

actions suivantes :

-Défrichement de la forêt ;

-Incendies et surpâturages ;

-Techniques culturales.

I.2.5 Les types de dégât

On distingue deux groupes de dégâts :

I.2.5.1 Les dégâts en zone érodées

I.2.5.1.1 Dégradation du bilan hydrique

Une culture pluviale soumise à l’érosion voit son déficit hydrique s’accentuer suite à :

-la réduction de la pluie efficace, cette dernière est perdue par ruissellement et n’est plus
utilisable par la plante ;

-la réduction du volume de sol exploitable pour les racines (il représentait une réserve en eau
indispensable).

I.2.5.1.2 Appauvrissement du sol

La capacité de rétention en eau du sol, la teneur en éléments nutritifs ainsi que la

stabilité structurale du sol décroît par l’effet de décapage des horizons supérieurs,
habituellement les plus fertiles.

La fraction du sol emportée par l’érosion est fréquemment plus riche que le sol dans son
ensemble, donc le sol laissé sur place se désagrège et devient hostile.

Page 7
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

I.2.5.1.3 Autres conséquences

-déchaussements, des plantes emportées ou recouvrement de la culture ;

-hétérogénéité croissante des parcelles ;

-diminution du drainage profond induisant une moindre réalimentation des nappes.

I.2.5.2 Les dégâts en zone de dépôts

La sédimentation et les transports solides sont gênants pour une majorité

d'aménagement. Ils sont à l’origine de :

-L’envasement accéléré des fossés de drainage, des canaux d'irrigation et des réservoirs
(bassins) ;

-Réduction de la capacité des lits de rivières et un risque d'inondation des terres voisins ;

-Augmentation du coût de traitement des eaux de consommation.

I.2.6 Estimation des pertes de terres

La quantification de l’érosion se fait par mesure des pertes de terres. Elle est estimée
par :

-Mesures directes ;

-Des calculs à l’aide de formules existantes.

I.2.6.1 Mesures directes

Cette méthode utilise un dispositif expérimental qui se constitue de :

-Un limnigraphe qui donne la hauteur d’eau(m) ;

-Un moulinet donnant la vitesse de l’eau (m/s) ;

-Prélèvement d’eau à l’aide d’une bouteille à col large. Par évaporation de l’eau prélevée on
détermine la charge C (g/m3).

I.2.6.2 Formules existantes

Les formules permettent d’inclure dans les modèles des facteurs autres
qu’hydrologiques et d’obtenir ainsi des modèles permettant l’estimation de l’érosion
généralement pour des bassins versants ne possédant pas de station de mesures.

I.2.6.2.1 Equation universelle (modèle de Wischmeier, 1960)

L'équation universelle de pertes des terres est un modèle empirique basé sur l'analyse
statistique de 100 parcelles expérimentales.

Page 8
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Elle permet de prédéterminer les pertes en terre annuelles moyennes pour une parcelle
donnée, dans des conditions bien définies.

Cette équation se présente sous la forme d'un produit de cinq facteurs indépendants,
chacun représente une équation paramétrique à plusieurs variables.

Sous sa forme simplifiée, ce modèle s'écrit :

A : perte en terres en tonne/ha ;

R : facteur d'agressivité climatique : érosivité de la pluie ;

K : facteur d’érobilité du sol ;

L : facteur pente ;

C : facteur agronomique ;

P : facteur des aménagements antiérosifs (protection du sol).

Ce modèle présente un certain nombre de points faibles :

Inaptitude à estimer les pertes en terre sur une courte période (saison ou épisode pluvieux
isolé) .
Il considère les facteurs de l'érosion comme indépendants, alors qu'il existe des nombreuses
interactions entre ceux-ci.

Limites et intérêt de l'équation universelle des pertes en terre :

 Limites

Cette équation empirique demande l'exploitation de nombreux résultats.

Il est donc nécessaire, pour fixer les valeurs des différents facteurs de posséder un grand
nombre de résultats expérimentaux.

Les résultats obtenus sur parcelles ne peuvent être transposés sur des vastes surfaces
dans le cadre des programmes généraux de lutte contre l'érosion.

 Intérêts

L'équation de WISCHMEIER permet de juger de l'intérêt des actions

à mener.

-Pour diminuer l'érosion (A), une action peut-être menée pour réduire l'indice (K) en
améliorant la structure et la perméabilité.

Page 9
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

-On peut agir sur le facteur C en faisant en sorte que le sol

soit couvert pendant les périodes critiques (fortes pluies).

-On peut agir sur le facteur P en préconisant des cultures en courbes de niveau, ou en bandes
alternées.

C'est seulement lorsqu'on aura épuisé ces trois possibilités de lutte qu'il sera nécessaire d'agir
sur les facteurs de pente, par des travaux anti-érosifs appropriés.

I.2.6.2.2 Formule de Henin(1950)

Elle donne l’érosion Es (tonne/an) en fonction de différents facteurs, les uns favorables,
les autres défavorables.

: Intensité des précipitations (mm) ;

: Pente du terrain(BV) ;
: Susceptibilité du sol ;
: Perméabilité ;
: Végétation.

Pour diminuer l’érosion et la ramener à une valeur compatible avec la vitesse de pédogenèse,
on peut agir sur :
-la pente du sol , au moyen d’ouvrage anti-érosifs (terrasses, banquettes, etc…) ;
-la nature du sol par des moyens biologiques ;
-la couverture végétale (gazonnement, boisement).

I.2.6.2.3 Formule de Tixeront (1960)

Calcul de l’érosion :

: Coefficient de perméabilité du bassin versant ;

: Lame d’eau moyenne interannuelle écoulée en mm.

L’expérience a montré la validité de ces formules proposées par Tixeront, leur domaine
d’application dépend de l’état de perméabilité du bassin versant ;
Valable pour les bassins versants à perméabilité moyennement élevée ;
Valable pour les bassins versants à perméabilité moyennement faible ;
Valable pour les bassins versants à perméabilité faible ;
Valable pour les terrains imperméables ;
Perméabilité élevée.

Page 10
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

L’érosion étant déterminée, on peut déterminer par exemple le volume mort réservé aux
atterrissements dans les retenues tels que les barrages et cela pour assurer une longévité
adéquate des réservoirs.

Tixeront a proposé pour l’Algérie un modèle basé sur deux équations reliant l’érosion
spécifique Es à l’écoulement annuel total R selon la position géographique (A.Lefkir, 2009) :

Pour l’est de l’Algérie

Pour le centre

I.2.6.2.4 Formule de Fournier (1960)

La formule de Fournier permet d’évaluer l’érosion globale à l’exutoire d’un cours

d’eau. Il a proposé une formule en prenant compte des précipitations et la morphologie du
bassin versant. Elle est décrite par :

: Superficie du bassin (km²) ;

: Pluie du mois le plus chargé de l’année (mm) ;
Pluie moyenne annuelle (mm) ;
Dénivelée moyenne (m) ;
: Apport solides spécifiques moyens annuels (t/km²/an).

I.2.6.2.5 Formule de Sogreah (1969)

Cette formule permet d’avoir l’apport solide transportés par ruissellement direct
résultent de l’action érosive :

K : représente le coefficient de perméabilité ;

R : étant le ruissellement annuel de crue (mm) ;
A : l’apport exprimé en (t/km²/an).

Tableau I.1 : Le taux d’érosion en fonction de la perméabilité du sol.

Perméabilité Coefficient K
Elevée 8,5
Moyenne à élevée 75
Faible à moyenne 350
Faible 1400
Imperméable 3200

Page 11
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

I.2.6.2.6 Formule de l’ANRH (1982)

La formule suivante a été établie par A.Demmak en s’intéressant à l’aspect de la

lithologie. Il a étudié 30 bassins versants (Nord Algerien) sur une période de plus de dix ans.
Ce modèle donne le transport solide spécifique moyen annuel pour des bassins versants de
100 à 3000Km2.

TS : Transport solide spécifique moyen annuel ;

IL : Indice lithologique ;

IP : Indice de précipitations érosives = produit du pourcentage et de la fréquence des

précipitations annuels en considérant uniquement les événements supérieurs à 20mm ;

CT : Coefficient de torrentialité.

I.2.6.2.7 Formule de Kassoul et al (1997)

Kassoul et son équipe ont examiné 19 barrages algériens et ont proposé les trois
équations suivantes pour estimer le taux d’abrasion :

Tableau I.2 : Equations des taux d’abrasions.

Superficie Indice d’altitude Equation

S<1000 <1
S>1000 1à2
S<1000 1,5 à 2

I.2.6.2.8 Formule de Touibia et Achit (2003)

La formule est la suivante :

Erosion spécifique en (t/ha) ;

S : Superficie du bassin versant ;

: Densité de drainage ;

: Coefficient d’écoulement ;

C : Pourcentage du bassin possédant un couvert végétal.

Page 12
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

I.2.6.2.9 Formule de Gavilovic (1992)

Gavilovic a appliqué une équation qu’il a développée en Yogoslavie et a été utilisée au

Nord Algérien.

: Production moyenne annuelles de sédiments ;

avec t° : Température moyenne annuelle ;

Pluviométrie moyenne annuelle ;

F : Superficie du bassin versant ;

Z : coefficient d’érodabilité.

Cette équation nécessite une excellente connaissance du bassin versant car le choix de la
valeur du coefficient (Z) tient compte de l’état actuel d’érosion du BV.

Tableau I.3 : Valeurs du coefficient d’érodabilité en fonction du type d’érosion.

Erosion Z
Extrêmement sensible 1,00 à 1,50
Très sensible 0,70 à 1,00
Moyennement sensible 0,40 à 0,70
Sensible 0,20 à 0,40
Peu sensible 0,10 à 0,20
Certaines méthodes de calcul des apports solides ont été exposées, mais il existe d’autres
méthodologies se basant sur l’utilisation des cartes topographiques et des photos aériennes.

I.3 Transport solide

I.3.1 Définition

Les barrages hydrauliques sont généralement alimentés par des rivières, le mouvement
du cours d’eau donne naissance à un mouvement qui est celui des particules. On peut
comprendre par là que le transport solide est l’action de transporter des matériaux granulaires
et solides par un cours d’eau.

Donc la question du transport solide ne peut être écartée et on peut tirer des conclusions
sur ce phénomène qu’à partir d’une étude hydraulique.

Page 13
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Ainsi, de plus le rôle de stockage de l’ouvrage, l’exploitant doit aussi prendre en

considération le transport solide, c’est-à-dire :

Minimiser le dépôt : Afin d’éviter les curages répétés et de garantir un volume efficace en
toutes circonstances.

Maximiser le dépôt : Vu l’importante pollution portée en temps de pluie par les particules,
l’ouvrage servira de bassin de décantation (Chebbo et Bachoc, 1993).

I.3.2 Mode de transport solide

Il existe deux modes de transport qui dépendent de la morphologie du court d’eau et des
berges :

-Le charriage

-La suspension

I.3.2.1 Cas de matériaux de fond uniformes

Le charriage est le déplacement des matériaux solides sur le fond en :

-roulant ;

-en glissant ;

-ou en effectuant des bonds successifs (appelés saltation) ;

pour des vitesses élevées du cours d’eau.

La vitesse des grains est nettement inférieure à celle de l’eau.

Le charriage concerne plus particulièrement : les sables, graviers, galets et blocs.

Pour des vitesses encore plus élevées (pour une turbulence d’écoulement forte), les
matériaux prélevés sur le fond sont emportés par le courant : le phénomène est appelé
transport en suspension.

Les grains de déplacent à la vitesse de l’eau (G.Degoutte, 2004).

La suspension concerne plus particulièrement les sables, les limons et les argiles.

I.3.2.2 Cas de matériaux de fond non uniformes

Pour les berges et fond non uniforme constituées de matériaux de tailles différentes, il
y’a simultanément transport par charriage des matériaux les plus lourds et transport en
suspension des matériaux plus légers.

Un grain déjà mis en mouvement par charriage passe en suspension lorsque la

composante de la vitesse turbulente est supérieure à sa vitesse de chute (G.Degoutte, 2004).

Page 14
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

I.3.3 Mesure du transport solide

I.3.3.1 La mesure du charriage

I.3.3.1.1 La mesure par échantillons

Cette mesure a été mise au point pour l’hydraulique fluviale, elle consiste à mettre des
nasses dans le courant. Cette méthode semble peu adaptable aux torrents autant à cause des
contraintes subies que des quantités et de la taille des éléments transportés.

Une autre technique qui s’apparente dans son esprit à la précédente est celle du
marquage des sédiments par un traceur radioactif. On injecte à un endroit précis du lit des
sédiments marqués et on relève leur dispersion par les crues.

I.3.3.1.2 La mesure globale

C’est la méthode la plus ancienne et la plus simple à mettre en œuvre dans les torrents.

On utilise soit une fosse dans laquelle les sédiments se déposent, soit une plage de
dépôts avec un barrage filtrant en travers du lit.

La fosse à sédiments est utilisée lorsque les quantités transportées sont faibles et que la
nature géologique du lit le permet. Sa forme géométrique facilite la mesure des dépôts.

Le mode d’emploi est simple. Après chaque crue on procède à une mesure de la qualité
de sédiments déposés. Lorsque la capacité de remplissage du piège est atteinte on procède à
un curage, opération plus ou moins complexe suivant les quantités à évacuer.

I.3.3.1.3 La mesure en continu

Il existe deux systèmes qui permettent de mesurer en continu le charriage.

I.3.3.1.3.1 La pesée quasi continue

Ce système est implanté dans une partie canalisée à l’amont d’un seuil. Sur le fond
bétonné du canal une saignée oblique recueille les matériaux. L’ouverture d’une vanne
latérale crée un vortex qui entraine les matériaux en contrebas sur une trémie qui les sépare de
l’eau. Un tamis assure une dernière réparation où n’est conservée que la fraction de dimension
supérieure à 4mm. Un tapis roulant achemine les graviers vers une balance enregistreuse puis,
après pesée, ils sont rejetés dans la rivière en aval du seuil.

I.3.3.1.3.2 Le couplage hydrophone

Ce système a été essayé avec succès en canal expérimental à l’Institut Hydraulique de

Zurich où il a donné satisfaction (RAEMY et JAEGGI : Symposium de Florence, 1981).

Principe : Deux hydrophones sont placés à distance connue dans le fond du canal.

Les sons caractéristiques qu’ils transmettent au moment du charriage et leur décalage

permettent d’estimer la vitesse du transport de fond. Une table de pression située entre les

Page 15
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

limniphones donne le poids du mélange. Connaissant la hauteur d’eau, on peut déduire le

débit solide.

I.3.3.1.4 La mesure des suspensions

On retrouve pour les suspensions les mêmes principes de mesure que pour le charriage.

Il existe trois grands principes de mesures :

I.3.3.1.4.1 La mesure globale

Elle consiste à recueillir soit la totalité soit une fraction connue (à l’aide d’un partiteur)
de l’écoulement et à faire une mesure globale des matières solides apportées par chaque
évènement climatique.

I.3.3.1.4.2 La mesure discontinue et ponctuelle

Elle permet la prise d’échantillons dans une section de cours d’eau. Le principe est
simple, il consiste à prélever à un instant t une certaine quantité de liquide (en général 0,5 l)
dans la section d’écoulement. On détermine ensuite la concentration de matières solides de
l’échantillon et on attribue cette valeur au débit qui est passé à cet instant, ce qui donne le flux
de matières en suspension. En répétant cette mesure à intervalles adéquats, on arrive à suivre
les variations de flux de matières en suspension avec le régime du cours d’eau.

Pour que cette méthode donne des résultats représentatifs il faut :

-que la répartition des matières en suspension soit homogène dans la section de prélèvement ;

-que l’instant de prélèvement soit déterminé précisément pour pouvoir être mis en relation
avec le débit liquide ;

-que le nombre d’échantillons prélevés soit suffisamment important pour suivre les variations
de régime du cours d’eau ;

-et surtout que le flux de suspension ne soit pas modifié localement par la prise d’échantillons.

Il existe différents procédés pour cette mesure :

I.3.3.1.4.2.1 Les prélèvements manuels

C’est la méthode la plus ancienne. Le matériel consiste en bouteilles type « bouteille de

lait », fermées par un clapet. La bouteille est positionnée dans la section mouillée à l’aide
d’une perche, l’opérateur ouvre le clapet à l’aide d’un fil et retire la bouteille quand elle est
pleine.

Avantage de la méthode :

-Il est possible de faire des prélèvements en différents points de la section au même instant ou
à des instants très proches.

-Il est possible de multiplier les points de prélèvements et de changer de section facilement.

Page 16
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Inconvénients :

-Le principal est la nécessité d’avoir des opérateurs sur place aux moments les plus
intéressants, c’est-à-dire les crues.

I.3.3.1.4.2.2 Les prélèvements automatiques

Le plus simple consiste à implanter un ou des pylons dans le lit et d’accrocher des
bouteilles (type « bouteille de lait ») à entrée calibrée à différentes hauteurs. Les bouteilles se
remplissent au fur et à mesure de la montée de l’eau. On change les bouteilles pleines après
chaque crue.

Avantage de la méthode :

-Théoriquement, peut permettre de suivre plusieurs points d’une section en multipliant les
implantations.

Inconvénients :

-Inutilisable dans les zones à fort charriage à cause des chocs de pierres ;

-Perturbe fortement l’écoulement à son voisinage ;

-Ne permet de suivre que la montée en crue. Aucune information sur la décrue et les régimes
quasi stationnaires ;

-Les bouteilles peuvent être colmatées par des transports végétaux ;

-Le point de prélèvement varie avec la hauteur d’eau et ne concerne que la partie superficielle
de l’écoulement.

I.3.3.1.4.3 La mesure en continu

Elle se fait à travers une section ou partie de section soit du cours d’eau, soit d’une
dérivation du débit à l’aide d’un partiteur. Deux système peuvent être utilisé pour suivre la
teneur en MES dans les cours d’eau : les systèmes optiques (néphélomètres, turbidimètres)
d’une part et l’absorption de rayonnement d’autre part.

-Les systèmes optiques se composent d’une source de lumière et d’une cellule photo-
électrique qui mesure soit la lumière diffusée (néphélométrie) soit la lumière absorbée
(turbidimétrie) par le liquide. Un enregistreur-amplificateur recueille le courant produit par la
cellule photo-électrique.

Ces appareils sont souvent utilisés et mis au point pour la chimie et la surveillance des MES
dans les stations d’épuration.

L’avantage de ces appareils c’est qu’on a la possibilité d’avoir un suivi en continu des
transports en suspension.

Page 17
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

-Le principe de mesure avec une source radioactive artificielle est de mesurer
l’atténuation du rayonnement émis par une source radioactive à travers le liquide. Le
matériel se compose d’une source radioactive (en général un radio-isotope artificiel) et d’un
détecteur à scintillation avec amplificateur.

L’avantage de cette mesure est que l’analyse peut se faire sur pratiquement la totalité de
l’écoulement en combinant plusieurs sondes si nécessaire.

I.3.3.1.4.4 Méthode de mesure en Algérie

En Algérie, la méthode d’échantillonnage systématique du transport solide sur la plupart

des cours d’eau est l’échantillonnage uni-ponctuel. Le prélèvement d’un échantillon se fait par
l’observateur à l’aide de bouteilles de 0,5 à 1 litre de contenance. Les échantillons prélevés
sont analysés par les procédés classiques (filtrage sur filtre millipore et la charge en
suspension est mesurée par pesée des filtres). Pour les débits liquides, les lectures de hauteur
d’eau effectuées sont transformées en débits liquides grâce aux courbes d’étalonnage établies
par les services de l’Agence Nationale des Ressources Hydrauliques. Ces courbes sont
valables pour une période donnée dite période de validité.

Quant au transport solide, l’évaluation durant une crue est effectuée de la même façon
que pour les débits liquides, sur la base d’un dépouillement des lectures. Avant le tracé du
turbidigramme, l’opération de report sur le limnigramme. Le nombre de prélèvements et leur
échelonnement correct dans le temps conditionnent la fiabilité et la précision des graphes
temporels de la concentration des sédiments en suspension. [1]

I.4 Méthodes utilisées dans l’étude de l’érosion hydrique [2]

I.4.1 Modélisation et mesures de flux en aval des bassins versants

Pour les études à l’échelle des bassins versants, on assiste au niveau mondial depuis le
début des années 90 à un essor de modèles (empiriques et/ou déterministes). Ces modèles
requièrent de nombreuses données d’entrées, parfois difficile à acquérir, et parfois leur
validation sur le terrain se fait généralement sur des périodes trop courtes pour intégrer
l’évolution temporelle des différents facteurs. Les principales variables à expliquer sont bien
entendu les flux de matières en suspension.

Les mesures hydrométriques à l’exutoire doivent porter sur plusieurs années pour avoir
une représentativité temporelle, malheureusement on ne peut pas se contenter de la mesure
des exportations à l’exutoire, car la seule connaissance de cette donnée ne permet ni de
localiser les zones sources de sédiment, ni d’évaluer la nuisance « perte en terre » que subit le
sol.

I.4.2 Utilisation de l’imagerie satellitale

L’intérêt grandissant des études à échelle pluri-Kilométrique et les problématiques

environnementales associées ont stimulé l’utilisation de la télédétection en pédologie. La
tendance actuelle est d’utiliser l’imagerie satellitale comme source de données d’entrée, et de

Page 18
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

coupler celles-ci à l’aide de SIG (système d’information géographique). La spatialisation des

modèles de pertes des sols dans un SIG avec l’aide de la télédétection nécessite de faire de
nombreuses hypothèses (continuité du paysage, propagation des erreurs, distribution spatiale
des pluies intenses, précision des cartes pédologiques, effet des interventions humaines) et la
validation sur le terrain n’est vraiment pas aisée.

I.4.3 Utilisation des marqueurs radio-actifs

Le marqueur le plus utilisé est le césium 137, c’est un radio-isotrope anthropique qui
permet de quantifier les déplacements de sol à des échelles spatiales variant de la parcelle au
bassin versant. On procède à des prélèvements ponctuels de sol, pour déterminer l’activité
spécifique en 137 . Ces valeurs sont comparées à celles établies dans un site témoin
considéré comme stable vis-à-vis de l’érosion hydrique. La différence d’activité entre les sites
de prélèvements et la valeur du site référentiel permet, via une relation mondialement
reconnue, d’estimer les mouvements des sols. Cette méthode permet d’établir la cartographie
des mouvements des sols (bilan interne) et les sorties nettes de sédiment à l’exutoire (bilan
externe) du bassin versant.

I.5 Envasement des barrages en Algérie

Une des conséquences du transport solide en aval est l’envasement des barrages
hydrauliques. En Algérie, les barrages souffrent énormément de ce problème chaotique. La
raison principale de cette calamité revient à la mauvaise quantification du transport solide
résultant du manque de données ainsi qu’à la fiabilité de celles déjà existante.

En 1957, les barrages avaient une capacité totale de 900 million m 3, dont 200 déjà par la
sédimentation. En 1962, les 16 grands barrages en exploitation représentaient une capacité de
1,3 Gm3 et un envasement de 240 Mm3. En 2006, ils ont atteint un envasement de
492Mm3soit une perte de 38% (Remini, 2009). Depuis lors, l’envasement n’a cessé
d’augmenter, certain barrage ont enregistré un doublement à plus des taux d’envasement.

Une actualisation des anciennes estimations révèle qu’en 2005 et en 2006 sur les 57
grands barrages des bassins hydrographiques Algérien le volume total de vase a été estimé à
1,1Gm3, soit un comblement de 16% de la capacité totale de 6,8 Gm 3. L’envasement moyen
est donc de 45Mm3/an, ce qui correspond à une perte de capacité de 0,65% par an. [3]

Page 19
II. Chapitre: Théorie de

modélisation du

transport solide
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

II.1 Introduction

Le premier pas de toute démarche scientifique consiste à observer et à identifier un

ensemble de variables susceptibles de décrire le phénomène ou le processus étudié. Cette
connaissance demeure encyclopédique et de peu d’intérêt tant qu’un lien ou une relation n’est
pas établi entre un premier ensemble de variables (entrées) et un autre ensemble de variables
assujetties aux premières (sorties). Le langage mathématique permet de formaliser cette
relation et d’intégrer et de synthétiser les informations. Le modèle mathématique, en tant que
représentation du phénomène étudié, peut alors fournir un ensemble de réponses qu’il est
ensuite possible de soumettre à l’observation.

Le système qui intéresse particulièrement la modélisation hydrologique se rapporte à la

phase terrestre du cycle de l’eau, avec ses principaux processus physiques : précipitation,
interception, ruissellement, évaporation, le transport…Quand à la modélisation de l’érosion
hydrique des sols, elle s’intéresse à la prédiction et à la gestion des pertes de productivité des
sols et d’usage des eaux de surface engendrées par la dégradation de la couche terrestre.

II.2 Quelques définitions

-D'après le Dictionnaire de l'Environnement, le modèle est "une représentation simplifiée,

relativement abstraite, d'un processus, d'un système, en vue de le décrire, de l'expliquer ou de
le prévoir".

-Un modèle est une simplification de la réalité car s’il en avait tous les attributs, il s’agirait
non plus d’un modèle mais de la réalité;

-La modélisation, n’est rien d’autre que la pensée organisée en vue d’une finalité pratique.
Modèle est synonyme de théorie, mais avec une connotation pratique : modèle, c’est une
théorie orientée vers l’action qu’elle doit servir ;

- La modélisation est une technique de création d’une représentation standard. Ainsi, elle
permet d’établir un modèle explicatif d’un phénomène ou comportement en recensant les
variables ou facteurs explicatifs et l’importance relative de chacune de ces variables ;

-Représentation mathématique de la relation qui lie les entrées et les sorties d’un processus
par des équations.

Si les équations du modèle sont algébriques, on parlera de modèle statistique. Si ces

équations sont des équations différentielles ou des équations aux différences récurrentes, le
modèle est dit dynamique.

Page 21
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

II.3 Objectifs de la modélisation

Pourquoi modéliser ?

Cette question doit avoir une réponse, non seulement pour justifier la démarche, mais
aussi pour sélectionner l’approche modélisatrice la plus appropriée.

La modélisation peut avoir trois objectifs :

 Décrire (résumer) les données ;

 Prédire (simuler), c'est-à-dire utiliser le système pour générer de nouvelles valeurs,
 Expliquer (comprendre) c'est-à-dire comprendre la réalité.

Selon que l’on souhaite parvenir à l’un ou l’autre de ces objectifs, la modélisation sera
réalisée selon des modalités différentes.

II.4 Facteurs caractéristiques de la modélisation

Les champs d’application de la modélisation sont aussi divers que les champs de la
connaissance. Parmi les facteurs caractéristiques de la modélisation hydrologique,
mentionnons :

-La diversité des processus en jeu (physiques et chimiques).

-La complexité des systèmes étudiés.
-La présence de multiples échelles tant spatiales que temporelles.
-La difficulté de procéder à des mesures extensives et dans des conditions variées.

Cette complexité inhérente à la modélisation hydrologique implique qu’il n’existe pas

une mais de multiples modélisations possibles et que le lien entre le modèle et l’objectif de
son application est particulièrement important. Autrement dit, il n’existe pas de modèle
universel applicable sans discernement. [5]

II.5 Les grandes étapes de la modélisation

Elle se déroule en 5 grandes étapes :

-on se fixe les objectifs de la modélisation ;

-on fait l’inventaire des informations (données externes : axiomes, loi, hypothèses,
théorie…données expérimentales) ;

-on réalise un modèle (construction en fonction des axiomes et hypothèses) ;

-on identifie les paramètres du modèle ;

-on valide en confrontant le modèle à la réalité ;

-on tire des conclusions.

Page 22
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

II.6 Définition de la simulation

La simulation est une méthode de mesure et d’étude consistant à remplacer un

phénomène, un système par un modèle plus simple mais ayant un comportement analogue
(Larousse).

Grâce à la simulation de plus en plus détaillée, on peut prédire le comportement des

systèmes complexes, de simuler des phénomènes naturels…

L’objectif d’un modèle de simulation peut être simplement descriptif : étudier le

comportement d’un système sous différentes hypothèses d’évolution de l’environnement, ou
aussi décisionnel : en simulant plusieurs décisions envisagées afin de choisir la meilleure ou
la moins mauvaise.

II.7 Théories mathématiques du transport solide

La formulation du modèle pourra se réaliser selon quatre approches :

II.7.1 Les modèles empiriques

Ces modèles reprennent la relation qui lie le flux de sédiments avec les différentes
variables explicatives climatiques ou hydrologiques, comme le débit liquide par exemple. Ils
sont généralement utilisés pour une estimation globale des pertes de terre.

On citera comme exemple des modèles empiriques :

- L’équation universelle de perte en sol de WISCHMEIER et SMITH, 1978.

-Les modèles régressifs débit-MES comme les modèles de WALLING et WEBB,

1981.

Parfois les modèles empiriques ne postulent aucune connaissance concernant la

structure interne (réelle) du modèle. Ils ne prennent en compte que de l’entrée et la sortie et ils
tentent de les relier entre elles, ainsi, on peut dire qu’ils sont tout simplement des modèles
descriptifs.

Dans notre étude, on exploitera le modèle empirique afin de trouver une corrélation
entre le débit solide-le débit liquide.

Ce modèle de corrélation est basé sur l’analyse de régression, cette dernière peut être
définie comme la recherche de la relation stochastique qui lie deux ou plusieurs variables.

Relation entre deux variables :

Considérons deux variables X et Y et cherchons à étudier la relation qui les lie. Pour ce
faire, nous mesurons les deux variables afin d’obtenir des observations pairées. La méthode la
plus simple pour observer la relation qui lie les deux variables est de présenter ces points de
coordonnées (xi, yi) dans un graphe à deux dimensions. A partir de là, il est possible
d’observer quel genre de relation existe entre X et Y.

Page 23
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Dans notre étude la relation qui lie les deux variables Qs-Ql est une relation déterministe,
c’est à dire que la relation est déterminée par un principe de causalité (cause, effet).

En Algérie beaucoup de chercheur ont utilisé les modèles empiriques dans l’analyse de la
relation débit liquide-débit solide et la quantification du transport solide.

II.7.2 Les modèles conceptuels

Ils prennent en considération la dynamique de l’érosion, ont l’avantage d’estimer des

flux à différents pas de temps, mais nécessitent une période de calage relativement longue, et
les pics de concentrations des MES sont généralement sous-estimés.

Exemple :

-Le modèle de VAN SICKLE et BESCHTA, 1983 : Le modèle est une approche pour
estimer l’apport en matières en suspension durant un événement de crue. Ce modèle peut être
à la fois déterministe, conceptuel et dynamique. Comme le type du modèle l’indique, un
modèle conceptuel est un modèle dont la structure est définie par son concepteur, le
paramétrage des relations qu’il comporte est déterminé grâce aux chroniques passées. Ainsi,
nos données de sorties sont en relation avec les données d’entrées par une simple équation
décrivant le processus du transport solide dans l’eau et les paramètres empiriques sont
déterminés par calibrage des mesures prélevés in situ.

II.7.3 Les modèles physiques (mécanistes)

Ils explorent des lois de la physique et permettent d’étudier la variabilité spatiale de

l’érosion, et d’explorer différents endroits du bassin. Cependant, ils nécessitent l’introduction
d’un nombre élevé de paramètres et incorporent un ensemble de sous modèles simulant les
divers processus physiques.

Ces modèles ont été développés comme une alternative aux modèles conceptuels, à des
fins de recherche parallèlement aux progrès de l’informatique. D’après leurs concepteurs, ils
sont censés rendre compte des problèmes pour lesquels les modèles conceptuels sont à priori
jugés inadéquats, tels que :

-La prévision des effets des changements naturels ou anthropiques des caractéristiques
du bassin versant ;
-La variabilité spatiale des entrées et des sorties ;
-Le mouvement des sédiments ;
-La prévision des réponses pour des bassins non jaugés.

Exemple :

-L’équation de SAINT VENANT pour la phase liquide et les équations de transport

pour la phase solide.

Page 24
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

II.7.4 Modèles à boite noire

Ces modèles sont beaucoup plus compliqués que les précédents. Leur objectif essentiel
est de réaliser des simulations. Ils sont un outil privilégié pour réaliser des extrapolations ou
encore pour anticiper des événements futurs sans se soucier de l’analyse du fonctionnement
interne du bassin versant.

Dans une telle modélisation les bassins versants sont considérés comme des boîtes
noires qui essayent de représenter théoriquement le prototype hydrologique en utilisant le
système matriciel pour modéliser certains mécanismes.

Exemple :

Nous citerons ici des modèles propres à l’intelligence artificielle, ils ont vu le jour grâce
à l’apparition des algorithmes d’apprentissage par adaptation des poids et face à la non-
linéarité de certain phénomène. Les recherches se sont approfondies vers de nouvelles
approches stochastiques (non déterministe) et ont ouvert la voix à une catégorie de modèles
comme :

-Les réseaux de neurones artificiels ;

-La logique floue ;
-Le neuro-flou.

L’étude d’un phénomène physique complexe tel que le transport solide nécessite une
précision considérable, car les erreurs d’imprécision de ce phénomène pourraient avoir des
conséquences néfastes sur l’environnement. La logique floue permet d’évaluer l’imprécision,
en décomposant le processus modélisé en plusieurs processus plus simples (sous-ensembles
flous) par des règles floues (Benkaci, 2004). En ce contexte là le modèle neuro-flou ANFIS
sera utilisé dans notre étude.

II.8 Mise en œuvre d’un modèle

II.8.1 Paramètres des modèles

La première étape consiste à établir une relation entre les variables d’entrée et les
variables de sortie et estimer tous les paramètres qui rentrent en jeux s’il y’a lieu de le faire.

II.8.2 Calage du modèle

Le calage est l’opération où l’on ajuste les entrées afin d’obtenir les sorties
(observations). Lors du calage, le problème qui se pose est le nombre de données à caler, à ce
propos il n’existe pas une règle commune entre tous les bassins, en générale, la calibration se
fait sur les deux tiers de la série des observées.

Page 25
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

II.8.3 Validation du modèle

Cette période permet de vérifier la robustesse du calage en terme d’indépendance du jeu

de paramètres vis-à-vis des données d’entrées et donc l’aptitude du modèle à fournir des
simulations (ou des prévisions) dans diverses situations hydrologiques (Quesney, 1999).

Cependant, il est important de distinguer le calage de la validation. La première

opération assurant l’adéquation des paramètres alors que la seconde évalue l’adéquation du
modèle tout entier (Fortin 1989, V.Rakem 1999).

II.9 Critères d’évaluation d’un modèle

Pour analyser la performance et la fiabilité d’un modèle, plusieurs critères d’évaluation

(validation) ont été développés. Ils peuvent être utilisés aussi bien pour la calibration qu’en
validation.

Une simple visuelle des résultats d’une simulation ne représente pas une évaluation
complète d’un modèle. En effet, l’œil humain n’est pas capable de voir toutes les différences
qui peuvent exister entre deux courbes d’allure similaire. Ainsi, nous avons besoin en plus de
l’analyse graphique de nous doter de critères objectifs (dénommés aussi fonctions objectives)
pour comparer les simulations aux observations et pour hiérarchiser des simulations qui ont
l’air équivalentes. Plusieurs critères objectifs mathématiques existent pour quantifier la
distance entre les observations et la simulation.

II.9.1 Principaux critères objectifs

Les principaux critères objectifs utilisés en hydrologie sont :

II.9.1.1 Le critère de Nash Sutcliffe (Nash et Sutcliffe, 1970)

Utilisé surtout en hydrologie, il donne une indication sur la robustesse (pouvoir

prédictif) des modèles utilisés. Ainsi, il est utilisé comme un outil d’aide à la décision.

Le critère est le suivant :

Où représente les valeurs observées ;

sont les valeurs simulées et est l’observé à l’instant t ;

est la moyenne des valeurs observées.

(E est aussi connu sous le symbole de NSE)

La valeur de E varie de « » à « 1 » et est généralement présenté en pourcentage.

Page 26
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

 Une efficacité de E=1 correspond à une modélisation parfaite où les simulées =

les observées.
 Une efficacité de E=0 indique que les prédictions du modèle sont aussi précises
que la moyenne des données observées.
 Une efficacité de E<0 indique que les valeurs simulées conduisent à de moins
bons résultats et que la moyenne observée est meilleur prédicateur que le
modèle.

Le critère de Nash a pour inconvénient de surestimer l’erreur des grandes valeurs (pics)
contrairement aux petites valeurs qui sont négligées.

II.9.1.2 Nash modifié

II.9.1.2.1 Le logarithmique de Nash

Le Nash modifié est la version modifiée du critère E, par introduction du logarithme aux
variables de la loi. Le Nash modifié a été établi afin de mettre fin au problème qu’on
rencontre avec le critère de Nash à savoir l’importance qu’il donne aux extrêmes par rapport
aux étiages. Ainsi, en introduisant le « ln » cette sensibilité aux extrêmes sera réduite.

II.9.1.2.2 Le Nash modifié

Ce critère utilise la forme puissance 1 et absolue au lieu de la forme quadratique, le but

est de mettre fin au problème de sensibilité aux extrêmes.

II.9.1.3 Index of agreement d

L’indice d a été proposé par Willmot en 1981 afin de standardiser l’erreur de prédiction
des modèles. Il est définit comme le rapport de l’erreur quadratique moyenne par l’erreur
potentielle qui représente la valeur supérieur que peut atteindre l’erreur quadratique moyenne
(Willmot, 1984) :

L’inconvénient de ce critère est qu’il peut atteindre la valeur de « 0,65 » du fait de son
insensibilité aux valeurs sous-estimés et surestimés.

Page 27
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Il existe aussi le d modifié tout comme E modifié où l’on introduit soit le logarithme au
variable soit utilisé la forme puissance 1.

II.9.1.4 L’erreur quadratique moyenne (RMSE: Root Mean Square Error)

La mesure de l’erreur quadratique moyenne est aussi un critère souvent utilisé pour
mesurer l’écart entre la simulation et l’observation, en donnant notamment une idée de la
dispersion entre les deux et cela dans l’unité des variables étudiées. Plus le RMSE sera faible
et plus l’écart entre la simulation et les observations sera faible.

Le critère est le suivant :

Le RMSE est couramment utilisé pour d’écrire l’erreur statistique. Bien que la
performance du modèle est retenue selon une valeur minimale du RMSE, mais des études
statistique (établies par SINGH et al, 2004) l’ont normalisé et ont développé le RSR (ratio of
the root mean square error to the standard deviation of measured). Il est calculé comme
le rapport entre l’erreur quadratique moyenne et l’écart type des données mesurées comme le
montre l’équation :

Le RSR varie de la valeur optimale qui est de zero jusqu’à un nombre très grand.

II.9.1.5 Percent bias PBIAS

Le pourcentage du bias mesure la tendance moyenne des données simulées à être plus
grandes ou plus petites que leurs homologues observées. Le PBIAS prend sa valeur optimale
quand il est égal à zéro.

Si le PBIAS <0 il indique que les valeurs simulées sont plus élevés que ceux observés, ainsi
on peut dire qu’il y’a une surestimation des valeurs.

Si le PBIAS >0 il indique que les valeurs simulées sont inférieurs à ceux observés, ainsi on
peut dire qu’il y’a une sous-estimation des valeurs par le modèle.

Page 28
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

II.9.1.6 Le coefficient de détermination

Il est défini comme étant la valeur élevée au carré du coefficient de corrélation de

Pearson. Donc il estime la dispersion entre la série des observées et des simulées, plus il sera
important plus l’accord entre les deux séries de valeurs le sera aussi.

Il nous informe également sur le degré de corrélation entre deux variables à étudier
(pour notre cas entre le débit liquide et le débit solide), si sa valeur est égale à « 0 » cela
signifie qu’il n’y a aucune corrélation entre les deux variables.

La valeur maximale est de « 1 » et elle représente la valeur optimale.

Le R² est donné par la relation :

R²=

L’inconvénient du R² et qu’il quantifie la dispersion des points ‘’observés-simulés’’ et

ne donne aucune information sur la qualité du modèle, donc même si les valeurs simulées sont
sous-estimés ou surestimés mais que leur dispersion est identique à celle des observées, on
aura un R² proche de « 1 ». Comme solution à ce problème on définit ci-dessous le coefficient
de détermination pondéré.

II.9.1.7 Le coefficient de détermination pondéré wr²

Où b représente la pente de la droite de corrélation entre les valeurs simulées et les observées.
La valeur de wr² varie de « 0 » à « 1 » (valeur optimale), elle est généralement donnée en
pourcentage.

Ainsi le wr² prend en compte la surestimation et la sous-estimation des valeurs simulées.

II.9.2 Le taux de performance des critères

Selon une étude sur l’évaluation de modèles pour la quantification systématique de la

précision dans les simulations de bassins versants (Model Evaluation Guidelines for
Systematic Quantification of Accuracy in Watershed Simulations) les critères définis ci-
dessus sont les meilleurs critères pour juger de la performance d’un modèle. Ainsi, ils seront
tous retenus pour valider les modèles utilisés dans notre travail.

Page 29
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Un modèle est jugé satisfaisant si :

sont réunis à la fois. Cela reste valide pour n’importe quel pas de temps excepté pour un pas
de temps mensuel. Le tableau suivant indique les valeurs des critères NASH, RSR et PBIAS
correspondant à différents degré de performance pour le cas du transport solide.

Tableau II.1: Qualité des modèles en fonction des valeurs des différents critères pour un pas
de temps mensuel.

NASH(%) RSR PBIAS(%)

Très bon 75 NASH 100 0,00 RSR 0,50 PBIAS 15
Bon 65 NASH 75 0,50 RSR 0,60 15 PBIAS 30
Satisfaisant 50 NASH 65 0,60 RSR 0,70 30 PBIAS 55
insatisfaisant NASH 50 RSR 0,70 PBIAS 55

II.10 Conclusion

Dans les chapitres suivants nous allons utiliser deux modèles mathématiques à savoir le
modèle empirique, où la statistique descriptive sera prédominante et un des modèles à boîte
noire qui utilise l’intelligence artificielle : le modèle neuro-flou. L’étude de ces deux modèles
à pour but d’arriver à représenter la relation qui lie le débit solide au débit liquide (le transport
solide) de manière optimale. La performance des deux modèles reposera sur l’analyse des
critères utilisés pour la validation de ces derniers.

Page 30
 III. Chapitre : Les

systèmes neuro-flous
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

III.1 Introduction

Ces dernières années, le nombre et la variété des applications de la logique floue ont
augmenté de façon significative, elle a connu un succès remarquable dans la description des
systèmes complexes. Ces applications vont des produits de consommation à la reproduction
des phénomènes naturels …

Pour les phénomènes naturels la problématique de prédiction peut être formalisée de la

manière suivante : étant donnée une situation caractérisée à l’instant « t » (entrée), l’outil de
prédiction choisi doit prédire l’évolution de cette situation à l’instant « t+prévision » (sortie).
Des développements actuels sur ce type de problématique montrent que les performances des
neuro-flous dépassent celles d’autres méthodes aussi bien en terme de précision des résultats
que d’efficacité d’apprentissage (Wang W.Q.et al.,2004) surtout pour les systèmes complexes
à comportement non stationnaire et non linéaire.

Dans cet ensemble, notre travail traite plus spécifiquement du système ANFIS
(Adaptative Neuro-Fuzzy Inference System) proposé par (Jang, 1993).

III.2 Identification floue

L’identification floue est un domaine extrêmement vaste, où chaque jour ou presque,

une nouvelle approche est proposée. Certaines approches confinent à la théorie des réseaux
de neurones.

L’idée générale d’un modèle neuro-flou est d’intégrer dans un seul concept les
avantages des deux domaines : Logique floue et Réseaux de neurones.

-De la logique floue : Introduction de connaissances a priori afin de réduire l’espace des
paramètres à optimiser ;
-Des réseaux de neurones : utilisation de la capacité d’apprentissage afin d’améliorer les
performances.

Ainsi, nous sommes dans l’obligation de présenter dans ce qui suit plusieurs définitions qui
nous aiderons à la compréhension du système ANFIS.

III.3 Définitions de base

III.3.1 Les réseaux de neurones

Les réseaux de neurones artificiels sont des réseaux fortement connectés de processeurs
élémentaires fonctionnant en parallèle. Chaque processeur élémentaire calcule une sortie
unique sur la base des informations qu’il reçoit. Toute structure hiérarchique du réseau est
évidemment un réseau, elle est dotée d’une fonction particulière.

Chaque neurone des différents réseaux reçoit un nombre variable d’entrées en

provenance de neurones amont. A chacune de ces entrées est associé un poids w représentatif
de la force de connexion. Chaque processeur élémentaire est doté d’une sortie unique, qui se
ramifie ensuite pour alimenter un nombre variable de neurones avals.

Page 32
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

III.3.2 La logique floue

La logique floue est une extension de la logique booléenne par Lofti Zadeh en 1965,
donc elle représente une généralisation des ensembles classiques. En introduisant la notion de
degré dans la vérification d’une condition, permettant ainsi d’avoir un état que vrai ou faux.
La logique floue confère une flexibilité appréciable aux raisonnements de l’utilisateur, ce qui
rend possible la prise en compte des imprécisions et des incertitudes.

 Imprécisions désigne les connaissances qui ne sont pas perçues ou définies

nettement.
 Incertitudes désigne les connaissances dont la validité est sujette à question.

Un des intérêts de la logique floue pour formaliser le raisonnement humain est que les règles
sont énoncées en langage naturel.

III.3.3 Les sous-ensembles flous

La logique floue repose sur la théorie des ensembles flous, qui est une généralisation de
la théorie des ensembles classiques [Zadeh, 1965]. Par abus de langage, suivant les us de la
littérature, nous utiliserons indifféremment les termes sous-ensembles flous et ensembles
flous.

Soit x un ensemble. Un sous-ensemble flou A de x est caractérisé par une fonction

d’appartenance. = La fonction d’appartenance est notée :
Cette fonction d’appartenance est l’équivalent de la fonction caractéristique d’un
ensemble classique.

Le sous- ensemble flou est définit sur un univers de discours X. L’univers de discours
est l’ensemble des valeurs que peut prendre la variable floue x et est le degré
d’appartenance de l’élément x à l’ensemble flou A. [17]

III.3.4 La fonction d’appartenance

La fonction d’appartenance représente le degré d’appartenance d’une valeur à un état

donné, elle peut avoir différentes formes (en triangle, en trapèze…). Afin de mieux expliciter
ces deux dernières définitions nous allons introduire l’exemple suivant :

Exemple :

Nous allons définir des fonctions d’appartenance pour chaque sous-ensemble flou des deux
variables d’étude :

- Entrée : Débit liquide. Sous ensembles : faible, moyen, fort.

- Sortie : Débit solide ou concentration en MES. Sous ensembles : faible, moyen,
fort.

Page 33
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

La forme de la fonction d’appartenance est choisie arbitrairement en suivant les conseils de

l’expert ou en faisant des études statistiques : forme sigmoïde, tangente hyperbolique,
exponentielle, gaussienne, triangulaire, trapézoïdale… [11]

Figure III.1 : Fonction d’appartenance caractérisant les sous ensembles des variables
d’entrées et de sorties.
III.3.5 Les variables linguistiques

Soit x une variable (débit solide), X la plage de valeur de la variable et un ensemble

fini ou infini de sous-ensembles flous. Une variable linguistique correspond au triplet
(x, X, .

III.3.6 Le raisonnement en logique floue

En logique classique, les raisonnements sont de la forme :

En logique floue, le raisonnement flou, également appelé raisonnement approximatif, se base

sur des règles floues qui exprimées en langage naturel en utilisant les variables linguistiques.

Une règle floue aura cette forme :

avec A, B et C des ensembles flous.

Par exemple :

Si (le débit liquide est élevé), alors (le débit solide est élevé).

La variable « débit solide » appartient à l’ensemble flou « élevé » à un degré qui dépend du
degré de validité de la prémisse, autrement dit du degré d’appartenance de la variable « débit
liquide » à l’ensemble flou « élevé ». L’idée sous-jacente est que plus les propositions en
prémisse sont vérifiées, plus l’action préconisée pour les sorties doit être respectée.

Page 34
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

III.3.7 Système d’inférence flou (SIF)

Une simple règle floue ne suffit pas à elle seule de représenter un problème complexe.
Un ensemble de règles doivent être établies pour bien décrire notre système et simplifier son
utilisation. L’association de ces ensembles de règles avec des mécanismes de décision
permettent de déduire de nouvelles connaissances, elles constituent des systèmes d’inférences
floues.

Un système d’inférence flou est essentiellement composé de deux blocs fonctionnels

différents :

-Une base de connaissance constituée d’une base de règles floues et d’une base de
données définissant les fonctions d’appartenance des ensembles flous ;

-Un mécanisme d’inférence flou qui détermine la sortie du système sous la forme d’un
ensemble flou.

On y ajoute deux blocs :

-Une interface de fuzzification qui transforme des entrées ponctuelles en ensembles

flous ;

-Une interface de défuzzification qui transforme la sortie floue en sortie ponctuelle.

Figure III.2 : Architecture d’un système flou.

III.3.7.1 La fuzzification

C’est la première étape du traitement flou, les variables d’entrées se trouvent

caractérisés à l’aide des sous-ensembles flous. La fuzzification est l’étape où les variables
d’entrées « physiques » subissent une conversion artificielle et se transforment en des
variables « linguistique ou floues ».

Page 35
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

III.3.7.2 La défuzzification

La dernière étape est celle de la défuzzification, elle transforme la partie floue résultant
de l’inférence en une valeur numérique. Le but de cette étape est de transformer l’ensemble
flou en valeurs non floues et de trouver une sortie précise correspondant le mieux à la
caractérisation floue.

La technique la plus utilisé est celle du centre de gravité. Dans notre cas la valeur
simulée (concentration en MES) correspond à la projection du centre de gravité
(déffuzification centroïde) de la surface d’inférence sur l’abscisse de la série des
concentrations observées (Lefkir et al, 2006).

Figure III.3 : Calcul d’une valeur de MES par la méthode du centre de gravité.

III.3.8 Synoptique d’un système flou

-les inputs sont le taux des débits liquides : 15m3/s… ;

-la fuzzification elle correspond aux deux variables linguistiques : « débit liquide », « débit
solide »;

-le moteur d’inférence est constitué du choix des opérateurs flous;

-la base de connaissances floues est l’ensemble des règles floues;

-la défuzzification;

-les outputs correspondent à la décision finale : « le débit solide est 1500Kg/s ».

Page 36
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

moteur
Input fuzzification défuzzification output
d'inférence

Figure III.4 : Aperçu synoptique d’un système flou.

Ainsi, la logique floue permet de mettre en place des systèmes d’inférence dont les décisions
sont sans discontinuités, flexibles et non linéaires, plus proche du comportement humain que
ne l’est la logique classique.

III.3.9 Type des systèmes d’inférence

Les systèmes flous sont classés selon la nature de leur structure. Il existe deux types de
système d’inférence flou :

III.3.9.1 Système d’inférence de type Mamdani (linguistique)

Les modèles de Mamdani permettent une description linguistique du système par une
base des règles floues de la forme :

Où sont respectivement les variables d’entrées et de sorties linguistiques et

sont des ensembles linguistiques flous. Ces modèles nécessitent un grand nombre de règles
pour approcher le comportement global d’un système : ils possèdent une capacité de
représentation limitée. Les modèles linguistiques ne permettent pas d’intégrer directement des
connaissances objectives sur le système qui ne sont pas exprimées par des sous-ensembles
floues. Ainsi des connaissances exprimées sous forme analytiques décrivant la structure
physique du système ne peuvent pas être pris en compte directement. Sugeno et ces
collaborateurs ont proposé une classe de modèles appelés modèles (TSK) qui permet de
représenter ce type d’information [8].

III.3.9.2 Système d’inférence de type Takagi Sugeno Kang (TSK)

Le système d’inférence de Sugeno est identique à celui de Mamdani, tous deux sont
construits à partir d’une base de règles. Mais ils diffèrent sur la partie défuzzification. En
effet, Sugeno propose de remplacer la défuzzification des variables de sortie par une
combinaison linéaire (polynomiale ou constante) des variables d’entrée.

Page 37
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Soit un système à r entrées et une sortie, le modèle TSK est constitué d’une base de règles de
la forme :

Où sont les variables numériques d’entrée du modèle flou et est une fonction
numérique de l’univers d’entrée. Chaque règle représente un modèle local sur une région
floue d’entrée, ou sur un sous-espace d’entrée. Dans chaque région, le modèle flou est défini
par la fonction qui relie les entrées à la sortie numérique. Le même modèle global est
constitué par interpolation des modèles locaux.

Dans la littérature, les sont souvent des fonctions linéaires, soit :

Où sont des coefficients constants. Chaque règle peut être vue comme un
modèle local, linéaire selon les variables d’entrées .

Ces modèles permettent d’approcher le comportement d’un système complexe par une
collection de modèles locaux. Ils ont une capacité de représentation importante. En effet, le
nombre de règles nécessaires pour approcher un système à un certain degré de précision est
généralement réduit.

Le paramétrage d’un SIF de type Sugeno se limite généralement à la définition des éléments
suivants :

-le nombre de fonctions d’appartenance sur chaque domaine d’entrée ;

-le placement de ces fonctions d’appartenance ;

-la valeur numérique des conclusions. [8]

III.4 Système hybride neuro-flou [7]

Nous aborderons maintenant une méthode d’optimisation du modèle TSK qui est
l’apprentissage par approche neuro-floue. Le système étudié est le système ANFIS, dans tout
ce qui suit nous le détaillerons de point de vue fonctionnement (algorithmes
d’apprentissage…).

III.4.1 Emergence des systèmes hybrides pour la prédiction

L’utilisation des réseaux de neurones pour la prédiction date de 1964 par le chinois Hu.
Il utilisa le réseau adaptatif de Widrow afin de réaliser des prédictions climatologiques. Le
manque d’algorithmes d’apprentissage limita la poursuite de ce type d’étude.

Depuis les années 80, la recherche dans le domaine est relancée. La figure ci-dessous
retraçe l’évolution des réseaux de neurones.

Page 38
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Figure III.5 : Vers les systèmes hybrides d’après Gouriveau et al.,2007

Etape 1 : La première application des réseaux de neurones pour la prédiction s’est faite
en 1987. Par la suite, les réseaux de neurones non bouclés se montrèrent plus performants que
les modèles classiques d’auto régression pour la prédiction de séries temporelles non linéaires.

Etape2 : Amélioration de l’apprentissage et du paramétrage des réseaux de neurones où

beaucoup de facteurs sont mis en jeu.

Dès les années 90, beaucoup de développements sont menés pour améliorer la précision des
prédictions réalisées par des réseaux de neurones tout en diminuant la complexité des modèles
et le temps de calcul.

Etape3 : Les réseaux récurrents : Afin de prendre en compte de manière explicite le

temps, les architectures de réseaux récurrents ont été développées et comparés aux autres
techniques de prédiction de série temporelles non linéaires. Les résultats montrent que ces
réseaux de neurones présentent de meilleurs performances que celles des méthodes classiques
et plus encore, que celles des réseaux non bouclés.

Etape4 : Les réseaux de neurones ont été utilisés avec succès pour supporter l’activité
de prédiction. Cependant, certains auteurs restent sceptiques :

-l’optimisation d’un réseau de neurone est considéré comme un art plus qu’une
science.

-les réseaux de neurones sont une boîte noire et il n’est pas possible d’expliciter et
d’analyser les relations entre entrées et sorties.

Afin de pallier cette faiblesse des réseaux de neurones, des travaux insistent sur l’intérêt
de systèmes combinant l’aspect connexionniste des réseaux de neurones à des techniques de
raisonnement.

Page 39
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Ainsi, les systèmes neuro-flous ont vu le jour pour répondre à ces exigences.
L’utilisation conjointe des réseaux de neurones et de la logique floue, permet de tirer les
avantages des deux méthodes : les capacités d’apprentissage de la première et la lisibilité et la
souplesse de la seconde.

Pour résumer l’apport du neuro-flou, le tableau suivant regroupe les avantages et

inconvénients de la logique floue et des réseaux de neurones.

RESEAUX DE NEURONES LOGIQUE FLOUE

AVANTAGES
Modèle à base de données Pas de modèles mathématique
Pas de règles linguistiques Intérprétabilité
Algorithmes d’apprentissage …
INCONVENIENTS
Modèle boîte noire Ajustement par tâtonnement
… Pas d’apprentissage
… Nécessité de posséder les règles

Une définition des systèmes neuro-flous est donnée dans (Nauck et al., 1997) et reprise
dans (Rococeanu, 2006) selon laquelle :

«Les systèmes neuro-flous sont des systèmes flous formés par un algorithme
d’apprentissage inspiré de la théorie des réseaux de neurones. La technique d’apprentissage
opère en fonction de l’information locale et produit uniquement des changements locaux dans
le système flou d’origine» (Otilia, 2008).

Donc, l’intérêt est de construire un système prédictif qui s’appuie sur l’intégration des
réseaux de neurones et des systèmes d’inférence floue (SIF) à cause de leur complémentarité.
Les SIF exploitent des règles linguistiques du type SI-ALORS traduisant une connaissance
sur la dynamique d’un système. Cependant, un SIF n’est pas à même d’apprendre : les règles
doivent être formulées ce qui est parfois difficile…Ainsi, une solution consiste à utiliser les
propriétés des RN afin d’apprendre la structure floue et d’en adapter les paramètres en
conséquence.

Très généralement, les réseaux neuro-flous remplacent les différentes couches cachées
des réseaux de neurone par des règles floues (i.e règles linguistique). Ils utilisent ensuite des
algorithmes d’apprentissage pour définir et optimiser ces paramètres.

III.4.2 Architectures neuro-floues

Divers associations des méthodes et architectures neuro-floues ont été développées

depuis 1988.

(Racoceanu, 2006) a recensé plusieurs architectures de systèmes neuro-flous. La figure

ci-dessous montre les différentes architectures des systèmes neuro-flous. FALCON, GARIC
interprètent la règle floue avec une structure à 5 couches, NEFCLASS interprète la règle

Page 40
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

floue avec une structure à 3 couches et ANFIS interprète la règle floue avec une structure à
6couches.

Figure III.6 : Architectures des systèmes neuro-flous d’après (Racoceanu, 2006).

 FALCON et GARIC

Il s’agit de modèles à 5 couches, utilisant la fuzzyfication en entrée et la defuzzyfication

en sortie. Ceci correspond à l’interprétation juste de la technique de Mamdani. La précision
accrue des résultats provoque une lenteur dans l’exécution du système. Ce modèle est
rarement utilisé en pratique mais il reste le meilleur pour la commande.

 NEFCLASS

Modèle utilisé généralement en classification, il est constitué de 3 couches : une couche

d’entrée avec les fonctions d’appartenance, une couche cachée représentée par des règles et
une couche de sortie définissant les classes.

Ce modèle est facile à mettre en application, il évite l’étape de défuzzyfication, tout en

étant précis dans le résultat final, avec une rapidité bien supérieure aux autres architectures.

 NEFCON

Modèle formé de 3 couches. Une couche cachée formée par des règles, une couche
d’entrée incluant les noeuds d’entrée avec les sous-ensembles flous d’antécédentes et une
couche de sortie avec un nœud de sortie et les sous-ensembles des conséquent.

Page 41
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

 NEFPROX (Neuro Fuzzy function apPROXimator)

Modèle obtenu par l’association des deux architectures NEFCLASS et NEFCON, il est
utilisé dans différentes applications comme la classification et l’approximation de fonctions.
NEFCLASS utilise un algorithme supervisé pour définir les règles floues, le NEFCON utilise
un algorithme d’apprentissage non supervisé avec le calcul de l’erreur de sortie. Les deux
modèles emploient la rétropropagation afin de définir les sous-ensembles flous. Comparé au
modèle ANFIS, NEFPROX est beaucoup plus rapide, mais ANFIS donne de meilleurs
résultats en approximation. Le NEFPROX est le premier système interprétable et lisible, dédié
à l’approximation de fonction. Néanmoins, ses résultats en classification restent moins bons
que ceux donnés par le NEFCLASS.

 ANFIS (Adaptative Network based Fuzzy Inference System)

ANFIS représente un système à inférence floue mis en application dans le cadre des
réseaux adaptatifs. Il utilise la procédure d’apprentissage hybride. Cette architecture affine les
règles floues obtenues par des experts humains pour décrire le comportement d’entrée-sortie
d’un système complexe. Ce modèle donne de très bons résultats en poursuite de trajectoire,
approximation non linéaire, commande dynamique et traitement de signal.

 SANFIS

Une autre structure connexionniste basée sur la fonction de base (FBF), a été
développée récemment. Trois types de réseaux SANFIS peuvent être identifiés.

Pour ces 3 les entrées sont les mêmes mais les sorties sont différentes. Ils sont utilisés selon le
type d’applications.

III.4.2.1 L’outil hybride ANFIS

Le système ANFIS est une classe de réseau adaptatif. Il peut être vu comme un réseau
de neurones non bouclé pour lequel chaque couche est un composant d’un système neuro-flou
et, à ce titre, c’est un ‘’approximateur’’universel. Il est utilisé dans différentes applications de
prédictions.

Un système ANFIS réalise une approximation linéaire de la variable de sortie en

décomposant l’espace des entrées en différents espace flous.

Dans ce qui suit, nous nous intéresserons à décrire l’architecture du système ANFIS et
le mécanisme de son système d’inférence. Nous allons utiliser pour cela la figure ci-dessous :

Page 42
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Figure III.7 : Architecture de l’ANFIS (Jang et al.,1997).

Le réseau possède deux entrées et un système à 5 couches. Chaque couche comprend

différents nœuds.

 Couche1 (Layer1): La première couche permet une fuzzification des variables X et

Y. La sortie du nœud k de la couche 1 , désigne la fonction d’appartenance du
nœud (présent en indice). Les paramètres utilisés dans les fonctions d’activations
(classiquement, il s’agit de guassiennes ou de sigmoïdes) sont appelés paramètres
‘’prémisses ‘’. La valeur alors obtenue représente le degré d’appartenance de
la valeur X à l’ensemble A1.
 Couche2 (Layer2) : Chaque nœud correspond à une T-Norme floue (l’opérateur T-
Norme permet de réaliser l’équivalent d’un ‘’ET’’ booléen). Il reçoit la sortie des
nœuds de fuzzification et calcule sa valeur de sortie grâce à l’opérateur produit) (Cet
opérateur est généralement utilisé mais il en existe d’autres : max, min…).

 Couche3 (Layer3) : Cette couche normalise les résultats fournis par la couche
précédente. Les résultats obtenus représentent le degré d’implication de la valeur dans
le résultat final.

 Couche4(Layer4) : Chaque nœud de cette couche est relié aux entrées initiales. On
calcule le résultat en fonction de son entrée et d’une combinaison linéaire du premier
ordre des entrées initiales (Approche de TAKAGI-SUGENO).

Page 43
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Les paramètres { , , } sont appelés paramètres ‘’conséquents’’.

 Couche5(Layer5) : La couche de sortie est constituée d’un unique neurone. Où n est

le nombre de règles floues.

En supposant des ensembles flous du type gaussien, le réseau ANFIS décrit ci avant
comporte 14 paramètres devant être optimisés (8 inhérents aux fonctions gaussiennes et 6 à la
linéarisation des sorties des règles). A cette fin, une base d’apprentissage est nécessaire.
L’apprentissage consiste en la correction des paramètres (prémisses et conséquents) du réseau
afin de généraliser une fonction de transfert (inconnue a priori) entre les entrées et la sortie du
réseau. Celle-ci constituée d’un ensemble de couples ‘’entrées/sortie’’ connus. Le
déploiement des algorithmes d’apprentissage sur cette base de données permet de construire
une fonction d’approximation de la sortie à partir des nouveaux vecteurs d’entrée.

En général, des algorithmes hybrides sont utilisés. Plus particulièrement, des travaux
montrent que la combinaison de l’algorithme de descente du gradient et de l’algorithme LSE
(Least Square Estimate : estimation des moindres carrés) permet de réduire la complexité de
l’apprentissage et d’en améliorer l’efficacité.

III.4.2.2 Modélisation

Le problème de modélisation floue ou de construction de modèles flous peut être vu

comme un processus d’identification de système. Ce processus est composé de trois phases :

 Phase d’identification de la structure du modèle

Cette phase se base sur la détermination de la structure de la base des règles, du nombre de
symboles et de la structure des conclusions des règles.

 Phase d’identification des paramètres du modèle

L’identification des paramètres d’un modèle se fait à partir d’un ensemble de données appelé
ensemble d’apprentissage. Cette phase permet l’identification des paramètres d’entrée, des
paramètres de sortie et de la base des règles ou de la relation floue sous-jacente.

 Phase de validation du modèle

Cette phase sert à tester la validité du modèle d’abord par rapport à l’ensemble
d’apprentissage, puis sur de nouvelles données de test.

Sous Matlab l’identification de systèmes à l’aide d’ANFIS s’effectue en suivant

l’organigramme présenté ci dessous:

Page 44
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

• Employer la commande genfis pour produire un système

étape1 FIS initial

• Entrer les paramètres pour l'apprentissage: nombre

étape2 d'itération et la tolérance.

• Commencer l'apprentissage en utilisant la commande

étape3 anfis

• Arrêter quand la tolérance est satisfaisante.

étape4

• Valider les résultats avec une autre série de données.

étape5

Figure III.8 : Etape de synthèse d’une identification floue sous ANFIS de Matlab.

III.4.3 Améliorations potentielles d’un système ANFIS

Les réseaux neuro-flous sont connus pour leur rapidité et précision. Nous présenterons
ci-dessous un inventaire des leviers permettant d’améliorer les performances des réseaux de
neuro-flou. [7]

III.4.3.1 Architecture du réseau

Une des plus importantes étapes pour la génération de la structure des réseaux neuro-
flous est l’établissement des règles d’inférence. En utilisant un certain mécanisme d’inférence,
les règles sont définies comme combinaisons des fonctions d’appartenance pour chaque
variable d’entrée. Les variables d’entrée sont divisées en un nombre limité de fonctions
d’appartenance (et leurs combinaisons mènent à beaucoup de règles d’inférence différentes).

III.4.3.1.1 Structure du réseau

(Rui et al., 1995), a montré qu’il n’y a pas de structure du réseau idéal a priori. Celle-ci
est à définir au cas par cas selon le problème. Concernant le réseau neuro-flou ANFIS, définir
une architecture consiste à choisir le nombre de fonctions d’appartenance, leur type
(gaussienne, sigmoïde…) et le nombre de règles floues utilisées. Aussi, un compromis
simplicité/ généralisation doit être trouvé : il n’est pas concevable de construire un système
ANFIS trop complexe, la base d’apprentissage étant, elle, limitée.

Page 45
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

III.4.3.1.2 Partitionnement de l’espace des entrées

Dans le même cadre, il existe aussi des discussions sur les méthodes de partitionnement
de l’espace des entrées (grid, tree and scatter prtioning).

Figure III.9 : Partitionnement de l’espace des entrées.

La figure (a) illustre la « grid partition » dans un espace des entrées bidimensionnel.
Cette stratégie a besoin seulement d’un nombre restreint de fonctions d’appartenance (MF)
pour chaque entrée. Cependant, elle rencontre des problèmes quand nous avons un nombre
modérément grand d’entrées. Par exemple, un modèle flou avec 10 entrées et 02 MF’s sur
chaque entrée aurait en conséquence 210=1024 règles de type si-alors ce qui est
prohibitivement grand. Ce problème, habituellement désigné sous le nom du problème de la
dimensionnalité, peut être allégé par les autres stratégies de partage de l’espace des entrées.

La figure (b) montre une partition arborescente « tree partition », dans laquelle chaque
région peut être univoquement indiquée par un arbre de décision. Cette partition soulage le
problème d’une augmentation exponentielle du nombre de règles. Cependant, davantage de
MF’s pour chaque entrée sont nécessaires pour définir les régions floues, et ces MF’s ne
correspondent plus à des significations linguistiques claires telles que ‘petit’ ou ‘grand’.

La figure (c) montre un sous ensemble de l’espace d’entrée qui caractérise une région de
l’occurrence possible de l’entrée, scatter partition approche peut également limiter le nombre
de règles à une quantité raisonnable.

III.4.3.2 Base d’apprentissage

L’ensemble d’apprentissage disponible impacte bien entendu la qualité de

généralisation du système ANFIS. Il est nécessaire de disposer d’une base d’apprentissage de
taille 5 fois supérieure au nombre de paramètres à optimiser (prémisses et conséquents).
Cependant, au-delà de la taille de cet ensemble d’apprentissage, c’est également la pertinence
des données qu’il contient qui se révèle critique.

Page 46
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Le numéro d’époques choisit doit être assigné pour surmonter le problème de

paramétrisation ( overfitting et underfitting), elle comprend une propagation en avant et une
rétro-propagation. Durant la propagation en avant, les variables d’entrée servent à déterminer
les sorties des neurones couche par couche, permettant de déterminer les valeurs des
paramètres des conséquents. Durant la phase de rétro-propagation, l’algorithme de rétro-
propagation d’erreur est appliqué pour optimiser les poids des différentes couches. Les
époques dans l’apprentissage dépendent également de l’erreur d’apprentissage.

Le processus d’apprentissage se termine lorsque l’erreur d’apprentissage est réduite à

un niveau de tolérance indiqué.

III.4.3.3 Algorithme d’apprentissage

L’apprentissage consiste en la correction des paramètres (prémisses et conséquents) du

réseau afin de généraliser une fonction de transfert (inconnue a priori) entre les entrées et la
sortie du réseau. A cette fin, une base d’apprentissage est nécessaire, elle sera constituée des
entrées/sorties. Le déploiement des algorithmes d’apprentissage sur cette base de données
permet de construire une fonction d’approximation (appelée aussi prédiction) de la sortie
désirée à partir des nouveaux vecteurs d’entrée.

En général, des algorithmes hybrides sont utilisés. Une combinaison entre l’algorithme
de descente du gradient qui permet l’estimation des poids du réseau et de l’algorithme
d’estimation des moindres carrés qui permet d’estimer des paramètres des conséquents
réduisent la complexité de l’apprentissage est réduite et l’efficacité se trouve améliorer
(Riedmiller et al., 1993) proposent de modifier l’algorithme d’apprentissage afin d’en
accélérer la convergence. (Yaam et al., 2000) proposent d’optimiser l’initialisation des poids
d’apprentissage. La modification des pas d’apprentissage peut aussi être envisgée.

Page 47
 IV. Chapitre :

Présentation de la zone

d’étude
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

IV.1 Introduction

Dans l’hydrologie l’Algérie est divisée en 09 bassins versants tributaires de la

Méditerranée et 08 bassins endoréiques et sahariens.

Le Nord est dévisé en 04 bassins hydrographiques : 1 : Oranie- 2 : Cheliff –Zahrez- 3 :

Algérois- 4 : Constantinois. Chaque bassin versant est subdivisé en sous-bassins versants. Les
grands fleuves sont connus par leur écoulement permanent contrairement aux affluents qui
sont connus pour leur écoulement faible et temporaire.

Figure IV.1 : Grands bassins versants du Nord Algérien.

Le constantinois est connu pour être le plus riche en eau, il reçoit près de 39% des
écoulements annuels en eau de surface du pays. En revanche, la région de l’Oranie, bien que
plus étendue en termes de superficie, ne reçoit que 8% des écoulements de surface totaux.

Les cours d’eau au Nord des montagnes Telliennes se jettent majoritairement à la mer,
alors que des lacs, ou chott, recueillent l’eau des Hauts Plateaux, au Sud de l’Atlas Tellien. En
effet, près de 10 700Km3 d’eau se jettent dans la mer méditerranéenne, représentant plus de
90% des ressources hydriques de l’Algérie du Nord. Le reste se perd dans les lacs et les
chotts, ou traverse les frontières marocaine ou tunisienne.

Le bassin versant que nous allons présenter ci-dessous est le bassin versant de l’Isser (09).

Page 49
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

IV.2 Situation géographique du bassin versant

Le bassin versant de l’Oued Isser est situé à environ 70Km au Sud Est d’Alger. Il
occupe une superficie de 3615 km2 et est localisé entre les 35°90’ et 36°85’ Nord et les
méridiens 2°88’ et 3°95’ Est (figure2). Ce bassin versant est considéré comme l’unité
fonctionnelle idéale pour évaluer l’érosion (Horton, 1945). Il se situe à l’amont du barrage de
Béni Amrane et présente une forme allongée sur l’axe sud-ouest (Ain Boucif/Beni Slimane) à
nord-est (mer Méditerranée). Il est limité au Nord par la mer et le bassin du Sebbaou, au sud
par le bassin de Chott Hodna, à l’Est par le grand bassin du Cheliff. Une partie du bassin est
drainée par l’Oued Mellah et l’Oued Hammam, les deux oueds constituent l’Oued Isser.

Le bassin versant, de type montagneux, se trouve à une altitude moyenne de 750m.

Figure IV.2 : Situation géographique du bassin versant de l’Isser.

Page 50
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

IV.3 Caractéristiques morphométriques

Bassin versant Isser

Station Lakhdaria mise en servie 01/01/1969

Cordonnées Lambert de la station X :579,10 – Y :368,75

Oued Isser

Surface 3615Km2

Périmètre 270Km2

Altitude max 1810m

Altitude moyenne 750m

Altitude min 90m

Apport 198,7 Hm3/an

Densité de drainage 3.60

Indice d’érosivité 150-300

IV.4 Le climat

Ce bassin est connu pour avoir un climat méditerranéen où l’on observe une
pluviométrie plutôt abondante mais qui tend à diminuer au printemps et atteint quelques
millimètres par mois en été. Ainsi, le régime d’écoulement est très variable à l’échelle
interannuelle.

Les mois les plus froids sont le mois de Janvier et Février tandis que les plus chauds
sont ceux de la saison d’été.

IV.5 Caractéristiques du réseau hydrographique

Le bassin est caractérisé par l’irrégularité du régime pluviométrique. Il est drainé par
deux principaux cours d’eau : Oued Isser et Oued Mellah. Il dispose d’un réseau
hydrographique assez dense et couvrant une très grande partie du bassin. Cette caractéristique
favorise le phénomène du transport solide. Sur le cours d’eau supérieur, en amont de la station
de Lakhdaria, la pente moyenne de l’oued est de 4m/Km.

Les Oueds sont en crue durant la période des pluies (pluviométrie entre 700 et 800mm
annuels) et diminuent presque régulièrement au printemps puis deviennent inactifs dès que

Page 51
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

s’annonce la saison sèche. L’Oued Isser est principalement contrôlé par deux stations
hydrométriques : pont de Latraille à l’amont et la station de Lakhdaria vers l’aval (figure 3).

Figure IV.3 : Cartes des stations hydroclimatologiques du bassin versant de la station de

Lakhdaria.

IV.6 Caractéristiques géologiques et lithologiques

Du nord vers le sud, le relief prend de l’ampleur où l'on note une côte maximale de
1810m. Le bassin versant de l’Isser est formé en majeur partie de roches tendres : marnes et
argiles (figure 4). Ces formations tendres, situées en pente, sont facilement érodables. Au
regard des valeurs importantes des coefficients de territorialité ainsi que les fortes densités de
drainage obtenues au niveau des stations (Pont de Latraille, Lakhdaria et à l’embouchure), le
bassin versant est vulnérable aux fortes crues et à l’érosion. [4]

La géologie du bassin est constituée à partir de plusieurs formations:

IV.6.1 Le socle cristallophyllien

Il est constitué de deux assises :

L’une inférieur formée de schistes cristallophylliens (micaschistes à biotites à teinte

verte et schistes à deux micas de teinte plus claire, avec lentilles de gneiss à biotite et de
marbre) ;

Page 52
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

L’autre supérieure formée de phyllades (schistes satinés de teinte avec de nombreuses

lentilles de marbre encaissées dans ces phyllades). Elle constitue le cœur du synclinal, dans la
région du Djebel Amour. Ces assises sont attribuées au Précambrien.

IV.6.2 Les roches éruptives

Elles sont d’âge pré tertiaire et tertiaire. Les premières sont fréquentes, apparemment
sous formes de filons de pegmatite ou de granite, tandis que celles d’âge tertiaire sont, d’une
part, représentées par les épointements de roches granodioritiques dans le massif de Thenia, et
de l’autre par des formations volcaniques.

IV.6.3 Les formations sédimentaires

Elles vont du Crétacé au Quaternaire passant par Oligocène. Les lithofaciès sont, selon
leur âge, inégalement répartis dans l’espace. De bas en haut, on distinguer : Le crétacé
inférieur- Flyschs Albo-Aptiens, Le Crétacé supérieur-Cénonien, Oligocène inférieur et
moyen, le quaternaire.

Figure IV.4 : Carte schématique des formations lithologiques du bassin versant de l’Oued
Isser.

Page 53
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

IV.7 Caractéristiques du couvert végétal

Le bassin se caractérise par un couvert végétal peu dense localisé au centre et représente
20% de la superficie totale, ce qui accélère le phénomène de l’érosion. Le reste de la surface,
soit 80%, est occupé par des cultures essentiellement céréalières et fourragères. Au bas Isser,
on rencontre essentiellement les cultures annuelles, et sur des superficies réduites, les cultures
et l’arboriculture (PNUD., 1987) (figure 5). La nature tendre des matériaux (marnes et
argiles) et le régime hydrique irrégulier ont contribué à la formation d’un réseau
hydrographique dense de type arborescent.

Le couvert végétal (bois et broussaille) étant peu répandu et souvent dégradé, l’érosion
est particulièrement active en présence de matériaux lithologiques tendres et un régime
hydrique défavorable (pluies irrégulières, ruissellement). Les formes et les intensités diffèrent
selon la pente, la nature lithologique des sols et l’action anthropique (déboisement, pâturage
excessif, agriculture dégradante), (Rais et Abid, 1989). [6]

Figure IV.5 : Carte schématique de végétation du bassin versant de l’Oued Isser.

Page 54
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

IV.8 Etat d’envasement du barrage de Beni Amrane

Le barrage de Beni Amrane a été mis en service en 1988. Il a été surélevé en Juillet
2003, la côte de retenue normale initiale était de 63m.

Lors d’une compagne de levés bathymétriques des barrages en exploitation, initiée par
l’ANBT en 2004, le volume d’eau, pour la retenue normale était de 11,85Hm 3, tandis que la
surface de la retenue était estimée à 202,5ha. Pour la cote des plus hautes eaux exceptionnelle
le volume était estimé à 35,17Hm3 tandis que la surface était de 303,3ha.
Le tableau suivant met à l’évidence la diminution de la capacité de stockage du barrage dans
le temps, la capacité à atteint 0,18 Hm3/an avec un taux d’envasement de 63,65%. [4]

Tableau IV.1 : Tableau comparatif du volume à l’ancienne cote (RN=63m) (ANBT,2004).

Année du levé 1988 1996 2004

Capacité (Hm3) 15,6 7,08 5,67

Perte de capacité 0 8,52 1,41

(Hm3)
Nombre d’année 0 8 8

Perte de capacité 0 1,06 0,18

annuelle (Hm3)

IV.9 Présentation des données hydrométriques

Le bassin versant de l’Oued Isser contient un réseau hydrométrique implanté par

l’ANRH équipé de 07 stations de jaugeage :

El Omaria (091205);
Dechmia (090309);
Beni Slimane (090305);
Mezahim (030191);
Aomar Gare (090416);
Pont de la traille (090408) ;
Lakhdaria (090501).

L’objectif de notre travail est d’arriver à modéliser le transport solide de la manière la

plus optimale, pour cela les données hydrométriques utilisés sont généralement le débit
liquide, le débit solide.

Dans notre cas nous disposons d’une série de données assez importante (8816 valeurs
instantanées) composée de débits solides (Qs en Kg/s), concentrations (C en g/l) et de
hauteurs d’eau (H en m) s’étalant de la période 1971 jusqu’à 2009 [station Lakhdaria, code :
090501]. Cette série nous a été gracieusement fournie par l’ANRH.

Page 55
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

On rajoutera juste comme remarque que la mesure des sédiments charriés est inexistante dans
L’oued. Ainsi, pour des études qui sont orientés vers la quantification, le charriage est
généralement estimé à 30% de la suspension.

IV.10 Paramètres statistiques des données

La station de Lakhdaria contrôle l’Oued Isser qui parcourt la partie Nord-Ouest de la

wilaya de Bouira. Elle se situe aux milieux des gorges de Beni Amrane à environ 10Km au
nord-ouest de la ville de Lakhdaria.
La série de données est composée de débits instantanés (liquide et solide) ainsi que la
concentration en MES. Les variations statistiques de ces données sont représentées dans les
figures suivantes :

Figure IV.6 : Caractéristiques statistiques du débit solide.

Figure IV.7 : Caractéristiques statistiques du débit liquide.

Page 56
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

2200
2000
1800
1600
1400
1200 max
C(g/l)

1000 min
800
moy
600
400
200
0

Figure IV.8 : Caractéristiques statistiques de la concentration des Mes.

IV.11 Traitements statistiques des données

Lors de la phase de mesure ou de récupération de données, des erreurs peuvent être

commises.
Ces erreurs (valeurs) sont appelées valeurs aberrantes. Pour ne pas perturber
l’adéquation de notre modèle, il faut les éliminer.
Pour cela, plusieurs tests statistiques existent dans l’hydrologie, parmi eux le test de Grubbs et
Beeck.

IV.11.1 Détection de valeur singulières Test de Grubbs et Beck

Connue pour sa puissance ce test est utilisé pour la détection des valeurs aberrantes et
est recommandé par le United States Water Resources Council (1981). A partir des données
mesurées la statistique de Grubbs est calculée pour chaque valeur extrême (min, max).

Où : et s sont respectivement la moyenne et l’écart type des logarithmes naturels des

éléments constituants l’échantillon.
représente une valeur statistique de Grubbs et Beck, tabulée pour différentes tailles
d’échantillons et de niveaux signification.
Au niveau de risque de 10%, l’approximation polynomiale suivante a été proposée par Pilon
et Harvey (1992) :

Page 57
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Où n représente la taille de l’échantillon.

Ainsi, toutes valeurs supérieures à Xmax et inférieures à Xmin seront considérées comme des
valeurs aberrantes.
Pour 5 , peut être calculé à partir de l’équation suivante (Stedinger et al.,
1993) :

Les résultats du test sont les suivants :

Tableau IV.2 : Résultats du test de Grubbs et Beck.

Paramètres n s
Débit liquide 8816 2,955 1,715 -64,38 1,673E+49 2,203E-47
Débit solide 8816 3,979 3,381 -64,38 1,785E+96 1,599E-93
Concentration 8816 1,024 2,280 -64,38 1,571E+64 4,935E-64

Le résultat du test confirme qu’il n’y a pas de valeurs singulières.

Pour notre part les valeurs nulles des débits solides et liquides ont été rejetées.
Cependant, si on procède à une analyse visuelle des figures représentant les variations des
caractéristiques statistiques des débits solides, on remarque que pour l’année 1978 la valeur
max a atteint 160 000Kg/s, cette valeur est classée comme valeur douteuse ainsi que d’autres
valeurs dépassant les 80 000Kg/s pour le débit solide et des valeurs dépassant les 1600 g/l
pour la concentration en MES.

IV.12 Conclusion

Après une vérification statistique les données fournies par l’ANRH de la station
hydrométrique 090501 seront utilisés pour permettre l’étude de la modélisation du transport
solide du bassin versant de l’Isser.

Page 58
V. Chapitre : Modélisation

par les modèles

empirique et neuro-flou
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

V.1 Partie I

L’ampleur de l’érosion et du transport solide dans les bassins versants des zones semi-
arides méditerranéennes a suscité l’intérêt d’un grand nombre de chercheurs, qui ont multiplié
cette dernière décennie les études pour comprendre et expliquer les mécanismes, les causes et
les conséquences.

Dans ce contexte, on tentera de montrer à partir de données mesurées in situ la relation

entre débits liquides et solides, mais aussi entre débits liquides et concentrations. Des modèles
basés sur des statistiques des échantillons ont été réalisés à partir des débits liquides bruts et
ceux des crues sélectionnées.

V.1.1 Modélisation par les modèles régressifs

La modélisation par régression est une technique statistique permettant de modéliser la

relation qui existe entre une variable explicative (notée X) et une variable à expliquer (notée
Y).

Pour cela cinq modèles classiques sont généralement utilisés :

Régression linéaire ;
Régression puissance ;
Régression polynomiale ;
Régression logarithmique ;
Régression exponentielle.

Ces modèles là sont toujours accompagnés d’une analyse visuelle où l’on représente la
tendance qui lie les deux variables étudiées avec le coefficient de détermination R² qui
indique le taux de corrélation entre les deux variables: débits liquides et débits solides (débits
liquides-concentrations), donc plus ce coefficient est important, plus la liaison entre les deux
séries de valeur l’est aussi.

V.1.2 Modélisation statistique avec données brutes

Les données recueillies auprès de l’ANRH sont des données « brutes » horaires (débit
liquide Ql (m3/s), débit solide Qs (Kg/s) et la concentration des matières en suspension C (g/l))
de la station de Lakhdaria s’étalant de 1971 à 2009, ce qui représente un bon échantillon pour
la modélisation et par conséquent pour la prévision aussi, ainsi on a plus de chance pour
normaliser les erreurs et valider nos modèles.

Les approches a adopté dans notre étude sont représentés dans les schémas ci-dessous,
le but de toutes ces démarches est de trouver le meilleur modèle représentant la relation débit
solide-débit liquide. L’étude va se faire pour différentes échelles et pas de temps.

Nous présentons ci-dessous le schéma récapitulatif des approches à étudier :

Page 60
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

valeurs
brutes

échelle échelle
échelle saisonnière
interannuelle mensuelle

pas de pas de pas de pas de pas de pas de pas de pas de pas de

temps temps temps temps temps temps temps temps temps
annuel journalier horaire mensuel journalier horaire mensuel journalier horaire

« Schéma récapitulatif de la première approche »

valeurs
événementielles

échelle échelle échelle

interannuelle mensuelle saisonnière

pas de pas de pas de pas de

temps temps temps temps
horaire horaire journalier horaire

« Schéma récapitulatif de la deuxième approche »

Figure V.1 : Schéma récapitulatif des deux approches étudiées.

V.1.2.1 Première approche

Dans cette approche, nous allons démarrer du fichier de données globales (brutes
horaires).

Cette série est utilisée afin d’extraire les données des différentes échelles temporelles.

Afin de trouver une formulation mathématique, nous avons testé les cinq modèles de
régression sur les deux couples de variables. Les modèles retenus sont les modèles de
puissance (Qs=a*Ql^b), polynomial (Qs=a*Ql²+b*Ql+c) et linéaire (Qs=a*Ql+b) qui donnent
les meilleurs coefficients de corrélation.

V.1.2.1.1 Echelle interannuelle

 Pas de temps annuel

Les deux séries de données sont représentées par des valeurs annuelles.
L’application des trois régressions retenues donne les résultats suivants :

Page 61
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Tableau V.1 : Critère de validation de la régression (C, Ql) à pas de temps annuel.

Linéaire Polynomial Puissance

NASH (%) 5,95 6,44 2,01
RSR 0,96 0,96 0,98
wr² (%) 0,35 0,41 0,04
PBIAS (%) 0,01 0,01 -0,23
R²(%) 5,96 6,45 2,02

Tableau V.2 : Critère de validation de la régression (Qs, Ql) à pas de temps annuel.

Linéaire Polynomial Puissance

NASH (%) 6,16 10,25 9,32
RSR 0,96 0,94 0,95
wr² (%) 0,37 1,05 0,80
PBIAS (%) 0,005 -0,01 -0,55
R²(%) 6,16 10,25 9,33

Le degré de corrélation entre la variable observée et simulée est représenté graphiquement

comme suit :

1200 1200

1000 1000
R² = 0,1025
800 R² = 0,0616 800
Qs sim(Kg/s)

Qs sim(Kg/s)

600 600

400 400

200 200

0 0
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
Qsobs(Kg/s) Qsobs(Kg/s)

(a) (b)

Page 62
Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

1200

1000
R² = 0,094
800

Qs sim(Kg/s)
600

400

200

0
0 500 1000 1500 2000 2500
Qsobs(Kg/s)

(c)

Figure V.2 : Représentation de la corrélation (Qs sim-Qs obs) à pas de temps annuel des
différentes régressions (a) linéaire, (b) polynomiale, (c) puissance.

25 25
R² = 0,0596 R² = 0,0645
20 20
Qs sim(Kg/s)

C sim(g/l)

15 15

10 10

5 5

0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Qsobs(Kg/s) C obs(g/l)

(a) (b)

25

20 R² = 0,0209
C sim(g/l)

15

10

0
0 10 20 30 40 50 60 70 80
C obs(g/l)

(c)

Figure V.3 : Représentation de la corrélation (C sim-C obs) à pas de temps annuel des
différentes régressions (a) linéaire, (b) polynomiale, (c) puissance

Page 63
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Interprétation des résultats :

Le coefficient de détermination est meilleur pour la relation reliant le débit solide avec le
débit liquide que celle avec la concentration, mais l’écart entre ces valeurs n’est pas vraiment
important.

En ce qui concerne les critères de validation, on a obtenu un Nash <10% et un RSR >0,90 ce
qui représente un résultat médiocre, idem pour le wr² où la valeur ne dépasse pas 1%.

On en conclut que pour des études futures : la quantification par exemple, l’utilisation d’un
débit liquide moyen annuel dans l’un de ces modèles donnera des résultats erronés.

 Pas de temps journalier

Pour ce pas de temps nous avons utilisé toute la série de données, les couples (Qs, Ql) et
(C, Ql) sont exprimés en moyenne journalière.

Les résultats présentés dans les tableaux suivants représentent les valeurs des différents
critères de validation utilisés dans notre étude.

Tableau V.3 : Critère de validation de la régression (C, Ql) à pas de temps journalier.

Linéaire Polynomial Puissance

NASH (%) 0,98 1,03 0,77
RSR 0,99 0,99 0,99
wr² (%) 0,009 0,01 0,006
PBIAS (%) 0,003 0,003 0,39
R²(%) 0,98 1,03 0,77

Tableau V.4 : Critère de validation de la régression (Qs, Ql) à pas de temps journalier.

Linéaire Polynomial Puissance

NASH (%) 39,34 43,99 44,95
RSR 0,77 0,74 0,74
wr² (%) 15,47 19,35 19,98
PBIAS (%) -0,02 0,01 -4,44
R²(%) 39,34 43,99 44,96
Ajoutons à cela une simple analyse visuelle des résultats graphiques obtenus à partir des
valeurs simulés-observés pour chaque type de régression.

Page 64
Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

50000 80000

45000 R² = 0,3934 70000

40000
60000
35000
50000 R² = 0,4399
30000
Qs sim(Kg/s)

Qs sim(Kg/s)
25000 40000

20000 30000

15000
20000
10000
10000
5000
0
0
0 20000 40000 60000 80000 100000 120000 0 20000 40000 60000 80000 100000 120000
-5000 -10000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)
70000

60000

50000 R² = 0,4496
Qs sim(Kg/s)

40000

30000

20000

10000

0
0 20000 40000 60000 80000 100000 120000
Qs obs(Kg/s)

(c)

Figure V.4 : Représentation de la corrélation (Qs sim-Qs obs) à pas de temps journalier des
différentes régressions (a) linéaire, (b) polynomiale, (c) puissance.

90 60

80
50
70

60 40
C sim(g/l)

C sim(g/l)

50
30
40 R² = 0,0103
30 R² = 0,0098 20

20
10
10

0 0
0 100 200 300 400 500 600 700 800 900 0 100 200 300 400 500 600 700 800 900
C obs(g/l) C obs(g/l)

(a) (b)

Page 65
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

30

25

R² = 0,0077
20

C sim(g/l)
15

10

0
0 100 200 300 400 500 600 700 800 900
C obs(g/l)

(c)

Figure V.5 : Représentation de la corrélation (C sim-C obs) à pas de temps journalier pour les
différentes régressions (a) linéaire, (b) polynomiale, (c) puissance.

Interprétation des résultats :

Les résultats de la corrélation permettent clairement de se prononcer sur le choix de la

variable qui explique le mieux notre phénomène, à savoir le débit solide. En ce qui concerne
les modèles étudiés on peut conclure que la relation qui lie Qs et Ql est non linéaire. Ainsi,
pour la suite des tests la variable « concentration en MES » et le « modèle linéaire » seront
rejetés.

En ce qui concerne la validation des modèles, on remarque que les résultats sont mauvais, un
pouvoir prédictif de Nash qui ne dépasse pas les 50%, un RSR dépassant la valeur
satisfaisante qui est de 0,70 et un critère PBIAS qui évalue la tendance des modèle tantôt à
la surestimation, tantôt à la sous-estimation. Le R² pondéré quant à lui donne aussi des
valeurs très faibles surtout pour la relation concentration-débit liquide (< 0,1%).

Les quatre critères n’étant pas satisfaits, on peut juger que le pas de temps journalier à cette
échelle est à rejeter car les modèles reproduisent mal la relation qui lie le débit liquide à la
concentration et au débit solide.

 Pas de temps horaire

Pour cette échelle nous avons utilisé toute la série brute horaire.

Les résultats présentés dans le tableau suivant représentent les valeurs des différents critères
de validation utilisés dans notre étude.

Tableau V.5 : Critère de validation de la régression (Qs, Ql) au pas de temps horaire.

Polynomial Puissance
NASH (%) 46,30 46,62
RSR 0,73 0,73
wr² (%) 20,19 20,35
PBIAS (%) 2,07 -5,96
R²(%) 43,95 44,10

Page 66
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Ajoutons à cela une simple analyse visuelle des résultats graphiques obtenus à partir des
valeurs simulées-observées pour chaque type de régression.

80000 80000
70000 R² = 0,4651 70000 R² = 0,4691
60000 60000

Qs sim (Kg/s)
50000 50000
Qs sim (Kg/s)

40000 40000
30000 30000
20000 20000
10000 10000

0 0
0 50000 100000 150000 200000
-10000 0 50000 100000 150000 200000
Qs obs (Kg/s) Qs obs (Kg/s)

(a) (b)

Figure V.6 : Représentation de la corrélation (Qs sim-Qs obs) à un pas de temps horaire des
différentes régressions (a) polynomiale, (b) puissance.

Interprétation des résultats :

Les résultats obtenus ne sont pas satisfaisants, toutes les valeurs des critères utilisés dépassant
les limites acceptables, cela peut être expliqué par l’irrégularité des apports. Les graphes des
Qs sim-Qs obs, montrent bien que la simulation des débits solides est mauvaise.

V.1.2.1.2 Echelle saisonnière

Les séries de données des quatre saisons sont établies comme suit :

-Automne : Septembre, Octobre, Novembre.

-Hiver : Décembre, Janvier, Février.

-Printemps : Mars, Avril, Mai.

-Eté : Juin, Juillet, Août.

Toujours à échelle saisonnière, nous nous sommes intéressés à deux saisons : Saison sèche et
Saison humide.
Afin de déterminer les mois constituant chaque saison, nous avons procédé comme suit :
-A partir du fichier des données mensuelles, nous avons calculé la moyenne du débit liquide
de chaque mois ;
-Les douze moyennes ainsi établies, on calcule alors une valeur moyenne pour ces 12
mois ;

Page 67
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

-Cette dernière représente le seuil qui sépare les mois secs des mois humides, c’est à dire que
tous les débits liquides se trouvant en dessus de ce seuil, correspondent à un mois humide et
ceux en dessous représentent les mois secs.

Les saisons sont les suivantes :

S.Humide : Décembre, Janvier, Février, Mars, Avril.

S.Sèche : Mai, Juin, Juillet, Août, Septembre, Octobre, Novembre.

 Pas de temps mensuel

Les résultats obtenus sont résumés dans les tableaux suivants :

Tableau V.6 : Coefficient de détermination en (%) du couple (Qs, Ql) pour les différentes
saisons.

Polynomial Puissance
Automne 29,44 29,86
Hiver 41,07 41,28
Printemps 19,31 19,60
Eté 36,39 36,56
S.Humide 36,39 36,20
S.Sèche 25,27 25,31
La validation des différents modèles utilisés ont donné les résultats suivants :

Tableau V.7 : Critère de validation de la régression (Qs, Ql) pour la saison d’Hiver.

Polynomial Puissance
NASH (%) 41,06 41,27
RSR 0,76 0,76
wr² (%) 16,86 17,00
PBIAS (%) -0,014 -0,152
Les résultats des autres saisons sont présentés en annexe, veuillez vous y référer.
Les graphes de corrélation entre les valeurs observées et simulées sont représentés comme
suit :

Page 68
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

2500 2500

2000 2000
R² = 0,4107 R² = 0,4128
Qs sim(Kg/s)

Qs sim(Kg/s)
1500 1500

1000 1000

500 500

0 0
0 500 1000 1500 2000 2500 3000 3500 4000 0 500 1000 1500 2000 2500 3000 3500 4000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.7 : Représentation de la corrélation (Qs sim-Qs obs) pour la saison d’hiver des
différentes régressions (a) polynomiale, (b) puissance.

Interprétation des résultats :

Les différents critères de validation sont jugés insatisfaisants vu qu’ils n’atteignent pas le seuil
de performance. Ainsi, le pas de temps mensuel est à rejeter.

La validation des différents modèles utilisés pour la saison humide ont donné les résultats
suivant :

Tableau V.8 : Critère de validation de la régression (Qs, Ql) pour la saison humide.

Polynomial Puissance
NASH (%) 36,38 36,19
RSR 0,79 0,79
wr² (%) 13,24 13,31
PBIAS (%) 0,0005 1,192

Les résultats de la saison sèche sont présentés en annexe.

Les graphes de corrélation entre les valeurs observées et simulées de la saison humide sont
représentés comme suit :

Page 69
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

2500 2000
1800
R² = 0,3621
2000 1600
R² = 0,3639 1400
Qs sim(Kg/s)

Qs sim(Kg/s)
1500 1200
1000
1000 800
600
500 400
200
0 0
0 500 1000 1500 2000 2500 3000 3500 4000 0 500 1000 1500 2000 2500 3000 3500 4000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.8 : Représentation de la corrélation (Qs sim-Qs obs) pour la saison humide des
différentes régressions (a) polynomiale, (b) puissance.

Interprétation des résultats :

L’interprétation n’est pas loin de ce qu’on a vu pour les quatre saisons. Les résultats obtenus
pour la relation Qs-Ql sont jugés mauvais, les coefficients de Nash sont <40%, RSR>0,70 et
wr² <14%, tandis que le PBIAS tend à sous-estimer les valeurs pour les deux modèles.

 Pas de temps journalier

Les résultats obtenus sont résumés dans les tableaux suivants :

Tableau V.9 : Coefficient de détermination en (%) du couple (Qs, Ql) pour les différentes
saisons.

Polynomial Puissance
Automne 62,43 64,33
Hiver 77,83 78,91
Printemps 70,84 72,75
Eté 73,67 75,69
S.Humide 74,61 76,57
S.Sèche 76,57 59,65

La validation des différents modèles utilisés ont donné les résultats suivants :

Tableau V.10 : Critère de validation de la régression (Qs, Ql) pour la saison d’Hiver.

Polynomial Puissance
NASH (%) 77,83 78,91
RSR 0,47 0,46
wr² (%) 60,58 62,00
PBIAS (%) -0,03 -11,44

Page 70
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Les résultats des autres saisons sont présentés en annexe.

Les graphes de corrélation entre les valeurs observées et simulées sont représentés comme
suit :

60000 50000
45000
50000
40000 R² = 0,7899
40000 35000
R² = 0,7783

Qs sim(Kg/s)
30000
Qs sim(Kg/s)

30000 25000
20000
20000
15000
10000 10000
5000
0 0
0 10000 20000 30000 40000 50000 60000 0 10000 20000 30000 40000 50000 60000
-10000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.9 : Représentation de la corrélation (Qs sim-Qs obs) pour la saison d’hiver des
différentes régressions (a) polynomiale, (b) puissance.

Interprétation de résultats :

L’approche saisonnière pour un pas de temps journalier est satisfaisante, les valeurs des
critères sont jugés satisfaisantes.

La validation des différents modèles utilisés pour la saison humide ont donné les résultats
suivant :

Tableau V.11 : Critère de validation de la régression (Qs, Ql) pour la saison humide.

Polynomial Puissance
NASH (%) 74,61 76,57
RSR 0,50 0,48
wr² (%) 55,65 57,87
PBIAS (%) 0,007 -21,62
Les graphes de corrélation entre les valeurs observées et simulées de la saison humide sont
représentés comme suit :

Page 71
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

50000 50000
45000
40000 40000
R² = 0,7461 R² = 0,7682
35000

Qs sim(Kg/s)
30000 30000
Qs sim(Kg/s)

25000
20000 20000
15000
10000
10000
5000
0
0
0 10000 20000 30000 40000 50000 60000
0 10000 20000 30000 40000 50000 60000
-10000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.10 : Représentation de la corrélation (Qs sim-Qsobs) pour la saison humide des
différentes régressions (a) polynomiale, (b) puissance.

Interprétation des résultats :

La saison humide donne de bons résultats, tous les critères sont satisfaisants, les Nash
atteignent les 70% et la valeur du RSR est assez satisfaisante.

 Pas de temps horaire

Les résultats sont les suivants :

Tableau V.12 : Coefficient de détermination en (%) du couple (Qs, Ql) pour

les différentes saisons.

Polynomial Puissance
Automne 57,05 58,04
Hiver 82,65 82,82
Printemps 75,01 75,30
Eté 65,96 67,05
S.Humide 78,16 78,80
S.Sèche 53,11 54,21
La validation des différents modèles utilisés pour la saison d’hiver ont donné les résultats
suivants :

Tableau V.13 : Critère de validation de la régression (Qs, Ql) pour la saison d’Hiver.

Polynomial Puissance
NASH (%) 85,87 85,95
RSR 0,37 0,37
wr² (%) 72,44 72,05
PBIAS (%) 0,44 -2,72
Les résultats des autres saisons sont présentés en annexe, veuillez vous y référer.

Page 72
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Les graphes de corrélation entre les valeurs observées et simulées sont représentés comme
suit :

80000 R² = 0,8589 80000 R² = 0,86

70000 70000
60000 60000

Qs sim(Kg/s)
50000 50000
Qs sim(Kg/s)

40000 40000
30000 30000
20000 20000
10000 10000

0 0
0 20000 40000 60000 80000 100000
-10000 0 20000 40000 60000 80000 100000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.11 : Représentation de la corrélation (Qs sim-Qs obs) pour la saison d’hiver des
régressions (a) polynomiale, (b) puissance.

Tableau V.14 : Critère de validation de la régression (Qs, Ql) pour la saison humide.

Polynomial Puissance
NASH (%) 80,20 80,78
RSR 0,44 0,43
wr² (%) 61,33 61,66
PBIAS (%) 1,27 -9,19

Les résultats de la saison sèche sont présentés en annexe.

Les graphes de corrélation entre les valeurs observées et simulées de la saison humide sont
représentés ci-dessous.

Page 73
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

70000 R² = 0,8041 70000 R² = 0,8118

60000 60000

50000 50000

Qs sim(Kg/s)
Qs sim(Kg/s)

40000 40000

30000 30000

20000 20000

10000 10000

0 0
0 20000 40000 60000 80000 100000 0 20000 40000 60000 80000 100000
-10000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.12 : Représentation de la corrélation (Qs sim-Qs obs) pour la saison humide des
régressions (a) polynomiale, (b) puissance.

Interprétation des résultats :

Les coefficients de corrélation obtenus pour la saison d’hiver et de printemps montrent que
ces mois sont ceux qui participent le plus au transport solide. La simulation des valeurs
(comme le montre les graphes ci-dessus) est très satisfaisante, le nuage de point est assez bien
répartie au centre, aussi notons qu’une nette amélioration de tous les critères est observée.

V.1.2.1.3 Echelle mensuelle

 Pas de temps mensuel

La série de valeurs utilisée est exprimée en moyenne mensuelle. La corrélation entre le

couple de variable Qs, Ql est exprimée pour les différentes régressions retenues, dans les
tableaux suivants.

La validation des différents modèles utilisés ont donné les résultats suivants :

Tableau V.15 : Critère de validation de la régression (Qs, Ql) à un pas de temps mensuelle.

Polynomial Puissance
NASH (%) 12,59 12,38
RSR 0,93 0,93
wr² (%) 1,58 1,54
PBIAS (%) -0,016 -3,00
R²(%) 12,60 12,39

Page 74
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Les graphes de corrélation entre les valeurs observées et simulées sont représentés comme
suit :

2500 3000

2500
2000
R² = 0,126
2000
Qs sim(Kg/s)

Qs sim(Kg/s)
1500
R² = 0,1244
1500
1000
1000

500
500

0 0
0 2000 4000 6000 8000 10000 12000 14000 0 2000 4000 6000 8000 10000 12000 14000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.13 : Représentation de la corrélation (Qs sim-Qs obs) à un pas de temps mensuelle
des différentes régressions (a) polynomiale, (b) puissance.

Dans ce qui suit, nous avons traité les données par mois séparés c’est à dire qu’à partir du
fichier des données mensuel utilisé pour l’approche précédente, nous avons extrait et traité
chaque mois séparément.

La validation des différents modèles utilisés ont donné les résultats suivants :

Tableau V.16 : Critère de validation de la régression (Qs, Ql) pour le mois de Janvier.

Polynomial Puissance
NASH (%) 33,66 32,09
RSR 0,81 0,82
wr² (%) 18,20 9,92
PBIAS (%) 0,039 -3,40
R²(%) 33,67 32,09

Les graphes de corrélation entre les valeurs observées et simulées sont représentés comme
suit :

Page 75
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

1600 1600

1400 R² = 0,3367 1400 R² = 0,322

1200 1200

Qs sim(Kg/s)
1000 1000
Qs sim(Kg/s)

800 800

600 600

400 400

200 200

0 0
0 1000 2000 3000 4000 0 1000 2000 3000 4000
-200
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.14 : Représentation de la corrélation (Qs sim-Qs obs) pour le mois de Janvier des
différentes régressions (a) polynomiale, (b) puissance.

Les valeurs des coefficients de détermination entre la variable explicative et celle à expliquer
pour le reste des mois de l’année ainsi que les résultats des différents critères de validation
seront présentés en annexe.

Interprétation des résultats :

La première approche mensuelle où tous les mois sont réunis en un seul paquet a donné de
mauvais résultats pour la relation Qs-Ql. De ce fait, on peut conclure que cette approche est
non efficace. Les graphes de corrélation entre les variables simulées et observées confirment
les résultats trouvés, les R² sont inférieur à 1%.

Quant à la deuxième approche, son choix est justifié par le souci d’étudier le transport solide
généré mensuellement sachant que chaque mois est caractérisé par un climat particulier.
La corrélation entre Qs-Ql des différents mois est plus ou moins bonne par rapport à celle
trouvée précédemment mais reste toujours insatisfaisante.
Pour le mois de Janvier, la corrélation entre débit solide-débit liquide donne des résultats
médiocres. Ils sont jugés insatisfaisants et cela est bien indiqué par les graphes de corrélation
entre les variables simulées et observées.

 Pas de temps journalier

Maintenant, intéressons-nous au pas de temps journalier. En effet, on a établi la corrélation

entre les deux variables Qs, Ql. Les résultats sont exprimés dans les tableaux suivants pour les
différentes régressions retenues.

Page 76
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

La validation des différents modèles utilisés ont donné les résultats suivants :

Tableau V.17 : Critère de validation de la régression (Qs, Ql) pour le mois de Janvier.

Polynomial Puissance
NASH (%) 90,34 91,41
RSR 0,31 0,29
wr² (%) 81,62 83,08
PBIAS (%) 0,01 -17,97
R²(%) 90,35 91,41

La suite des résultats pour les autres mois est présentée en annexe.
Les graphes de corrélation entre les valeurs observées et simulées sont représentés comme
suit :

60000 60000

50000 50000
R² = 0,9035 R² = 0,9152
40000 40000
Qs sim(Kg/s)
Qs sim(Kg/s)

30000 30000

20000 20000

10000 10000

0 0
0 10000 20000 30000 40000 50000 60000 0 10000 20000 30000 40000 50000 60000
-10000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.15 : Représentation de la corrélation (Qs sim-Qs obs) pour le mois de Janvier des
différentes régressions (a) polynomiale, (b) puissance.

Interprétation des résultats :

En diminuant le pas de temps de la moyenne mensuelle à la moyenne journalière, on

remarque une nette amélioration dans les critères pour les deux modèles. On a obtenu des
Nash satisfaisant >70%, RSR < 0,70 et un wr² aussi satisfaisant pour le modèle puissance que
pour le modèle polynomial. Par contre en analysant les graphiques de corrélation entre les
variables simulées et observées on remarque que le modèle polynomiale tend à donner des
résultats négatifs de ce fait le modèle polynomiale sera rejeté devant le modèle puissance.

Par conséquent, on peut dire que plus le pas de temps diminue, meilleur est le résultat. Quant
à la corrélation des différents mois, les valeurs qui sont inférieures à 50% peuvent s’expliquer
par l’irrégularité du climat ou il y’a de très grande variation des apports.

Page 77
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

 Pas de temps horaire

Dans ce qui suit, chaque mois est étudié séparément.

La validation des différents modèles utilisés ont donné les résultats suivants :

Tableau V.18 : Critère de validation de la régression (Qs, Ql) pour le mois de Janvier.

Polynomiale Puissance
NASH (%) 95,45 95,98
RSR 0,21 0,20
wr² (%) 94,45 94,52
PBIAS (%) -1,14 -11,85
R²(%) 94,08 94,84

La suite des résultats est présentée en annexe.

Les graphes de corrélation entre les valeurs observées et simulées sont les suivants :

90000 R² = 0,9514 90000 R² = 0,957

80000 80000
70000 70000
60000 60000
Qs sim(Kg/s)
Qs sim(Kg/s)

50000 50000
40000 40000
30000 30000
20000 20000
10000 10000
0 0
0 20000 40000 60000 80000 100000
-10000 0 20000 40000 60000 80000 100000
Qs obs(Kg/s) Qs obs(Kg/s)

(a) (b)

Figure V.16 : Représentation de la corrélation (Qs sim-Qs obs) pour le mois de Janvier des
régressions (a) polynomiale, (b) puissance.

Interprétation des résultats :

On remarque que la corrélation entre le débit solide et le débit liquide est bonne et que les
critères de validation sont satisfaisants, des Nash >90%, RSR de 0,20. La simulation des
valeurs est reproduite correctement, on obtient un wr² > 90%. Pour le modèle polynomiale et
comme nous l’avons vu précédemment il donne des résultats négatifs donc pour la suite de
l’étude il sera rejeté.

Page 78
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Conclusion de la première approche

La corrélation entre le débit solide et le débit liquide est toujours plus importante que
celle obtenue avec la concentration des MES. Ainsi, la variable à utiliser est le débit solide.

En ce qui concerne les trois modèles étudiés, on a conclue que la relation qui lie Qs et Ql
n’est pas linéaire. Les meilleurs résultats obtenus sont pour les modèles : polynomial et
puissance, sauf que le modèle polynomial est à rejeter car la simulation des débits solides
donnent parfois des résultats négatifs. Ainsi le modèle puissance sera retenu pour le reste de
notre étude.

Pour ce qui est de l’échelle des temps, l’échelle jugée satisfaisante était « l’échelle
mensuelle » à « pas de temps journalier » et « horaire » ou chaque mois est étudié séparément,
ainsi, afin d’affiner nos résultats et en considérant qu’on a transport solide que pour des
apports importants de débit liquide on aura à étudier une deuxième approche ou l’on
s’intéressera aux événements instantanées.

V.1.2.2 Deuxième approche

A partir de la série des valeurs brutes horaires, nous avons extrait un autre fichier
comportant les crues bien observées.

Pour ce faire, on étudie, à partir de ces différents épisodes de crue, la relation entre les
débits solides Qs et les débits liquides Ql où nous appliquerons une régression de type
puissance pour les différentes échelles temporelles vu précédemment.

V.1.2.2.1 Echelle interannuelle

 Pas de temps horaire

Pour cette échelle nous avons utilisé toute la série de données événementielles à pas de temps
horaire. Les résultats présentés dans le tableau suivant représentent les valeurs des différents
critères de validation utilisés dans l’étude de notre modèle.

Tableau V.19 : Critère de validation de la régression (Qs, Ql) à pas de temps horaire.

Puissance
NASH (%) 46,02
RSR 0,73
wr² (%) 20,94
PBIAS (%) -3,63
R²(%) 46,03

Page 79
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Le résultat graphique obtenu à partir des valeurs simulées-observées est le suivant :

80000
70000 R² = 0,4605
60000

Qs sim(Kg/s)
50000
40000
30000
20000
10000
0
0 50000 100000 150000 200000
Qs obs(Kg/s)

Figure V.17 : Représentation de la corrélation (Qs sim-Qs obs) à l’échelle interannuelle pour
la régression puissance.

Interprétation des résultats :

Le coefficient de corrélation n’est toujours pas important pour cette échelle de temps, cela
s’explique par l’irrégularité des apports pour toute la période étudiée.

Les critères de validation obtenus ne sont pas satisfaisant le Nash est inférieur à 50%, le RSR
>0,70% et wr² <20%. On peut juger que cette échelle ne pourra jamais être utilisée pour
l’étude du transport solide.

V.1.2.2.2 Echelle saisonnière

Les résultats obtenus sont résumés dans les tableaux suivants :

Tableau V.20 : Coefficient de détermination en (%) du couple (Qs,Ql) pour les différentes
saisons.

Puissance
Automne 56,81
Hiver 85,87
Printemps 75,11
Eté 67,16
S.Humide 80,74
S.Sèche 53,29

Tableau V.21 : Critère de validation de la régression (Qs, Ql) pour la saison d’Hiver.

Puissance
NASH (%) 85,87
RSR 0,37
wr² (%) 73,58
PBIAS (%) -0,52

Page 80
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Le graphe de corrélation entre les valeurs observées et simulées est représenté comme suit :

80000
70000 R² = 0,8587
60000

Qs sim(Kg/s)
50000
40000
30000
20000
10000
0
0 20000 40000 60000 80000 100000
Qs obs(Kg/s)

Figure V.18 : Représentation de la corrélation (Qs sim-Qs obs) pour la saison d’hiver pour un
modèle puissance.

La validation du modèle utilisé pour la saison humide a donné les résultats suivants :

Tableau V.22 : Critère de validation de la régression (Qs, Ql) pour la saison humide.

Puissance
NASH (%) 80,86
RSR 0,43
wr² (%) 64,79
PBIAS (%) -6,46

Les résultats de la saison sèche sont présentés en annexe.

Le graphe de corrélation entre les valeurs observées et simulées de la saison humide est
représenté ci-dessous.

80000
70000
R² = 0,8079
60000
Qs sim(Kg/s)

50000
40000
30000
20000
10000
0
0 20000 40000 60000 80000 100000
Qs obs(Kg/s)

Figure V.19 : Représentation de la corrélation (Qs sim-Qs obs) pour la saison humide pour
un modèle puissance.

Page 81
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Interprétation des résultats :

La corrélation est meilleure pour la saison d’hiver et de printemps ce qui signifie que le
transport solide est important pour ces deux saisons. Les résultats démontrent aussi l’influence
de chaque saison sur le phénomène.

En ce qui concerne la différence des résultats obtenus entre la saison humide et la saison
sèche cela se traduit clairement par l’irrégularité des apports pour ces deux saisons.

V.1.2.2.3 Echelle mensuelle

 Pas de temps horaire

Dans ce qui suit, nous avons traité les données par mois séparés.

La validation du modèle utilisé a donné les résultats suivants :

Tableau V.23 : Critère de validation de la régression (Qs, Ql) pour le mois de Janvier.

Puissance
NASH (%) 95,65
RSR 0,20
wr² (%) 91,07
PBIAS (%) -7,24
R²(%) 95,66

La suite des résultats est présentée en annexe.

Le graphe de corrélation entre les valeurs observées et simulées est représenté comme suit :

90000
80000 R² = 0,9571
70000
60000
Qs sim(Kg/s)

50000
40000
30000
20000
10000
0
0 20000 40000 60000 80000 100000
Qs obs(Kg/s)

Figure V.20 : Représentation de la corrélation (Qs sim-Qs obs) pour le mois de Janvier pour
un modèle puissance.

Page 82
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Interprétation des résultats :

La variation des débits liquides n’est pas importante durant le mois de Janvier ce qui explique
les résultats obtenus. Un Nash de 95,65% et un RSR de 0,20 représentent de très bons
résultats, le wr² aussi est très satisfaisant. La valeur négative de PBIAS montre que le modèle
tend en moyenne à surestimer les valeurs.
Ainsi tous les critères étant satisfaits, ont peut juger qu’à ce pas de temps le modèle puissance
est très bon.

 Pas de temps journalier

Dans la pratique il est plus acceptable d’utiliser un pas de temps journalier plutôt qu’horaire,
exemple d’un cas pratique : la quantification du transport solide.

La validation du modèle utilisé a donné les résultats suivants :

Tableau V.24 : Critère de validation de la régression (Qs, Ql) pour le mois de Janvier.

Puissance
NASH (%) 93,16
RSR 0,26
wr² (%) 86,50
PBIAS (%) -4,58
R² 93,17

La suite des résultats est présentée en annexe.

Le graphe de corrélation entre les valeurs observées et simulées est représenté comme suit :

60000

50000 R² = 0,9318

40000
Qs sim(Kg/s)

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000
Qs obs(Kg/s)

Figure V.21 : Représentation de la corrélation (Qs sim-Qs obs) pour le mois de Janvier pour
un modèle puissance.

Page 83
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Interprétation des résultats :

Le pas de temps journalier a donné de bons résultats pour la première approche mais en
sélectionnant que les épisodes de crues les résultats se sont améliorés d’avantage. Tous les
critères sont jugés très bons.
Ainsi tous les critères sont réunis, ont peut juger qu’à ce pas de temps le modèle puissance est
très performant.

Conclusion de la deuxième approche

Les résultats obtenus sont tous significatifs, ce qui permet de conclure que cette dernière
approche est celle à adopter pour toute étude du phénomène.

V.1.3 Conclusion de la première partie

On considère qu’il y’a transport solide lors d’événements importants, cela est justifié
par les résultats satisfaisants obtenus.

L’utilisation d’un pas de temps mensuel ou annuel donne des résultats insatisfaisants,
ces derniers sont donc à rejeter. Physiquement ou bien même mathématiquement l’utilisation
de la moyenne fait perdre une partie de l’information ; aussi, plus le pas de temps est grand
plus la valeur de la variable n’est pas significative (elle perd de son efficacité).

Le but de cette étude (tests) étant de trouver le bon modèle avec la meilleure échelle de
temps et pas de temps pouvant reproduire la relation qui lie le débit solide avec le débit
liquide. Nous somme arrivés à conclure que le modèle puissance est le meilleur à adopter
pour reproduire cette relation et cela à un pas de temps horaire et journalier pour l’échelle
mensuelle. Le choix de cette échelle nous intéresse lors d’une étude de quantification du
transport solide.

Pour juger de la robustesse du modèle puissance dans la prévision, nous allons procéder
à une étude sur les périodes calages-validations. Les résultats de cette étude seront présentés
dans la partie II afin de permettre la comparaison avec le deuxième modèle utilisé.

V.2 Partie II

V.2.1 Simulation du transport solide par le modèle neuro-flou et empirique

La simulation, dans notre étude, est utilisée à des fins décisionnelles. On aura à étudier
et choisir entre deux modèles (modèle empirique et modèle neuro-flou) mettant en avant la
relation débit solide-débit liquide. Le modèle retenu sera celui qui présentera le meilleur
résultat, donc celui possédant un pouvoir prédictif élevé.

Page 84
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

L’échelle étudiée est l’échelle mensuelle à un pas de temps journalier, donc chaque
mois est étudié séparément. Les résultats de la simulation des deux modèles seront présentés
simultanément afin de permettre la comparaison.

Le choix du modèle performant se fera par le biais de plusieurs simulations dans

lesquelles les périodes de calages et de validations sont modifiées, ainsi on aura à parler de
taille optimale.

Démarche à suivre

 La démarche à adopter pour le modèle puissance :

-On procédera à un tâtonnement sur la taille des séries de calage et de validation ;

-A l’aide des différents critères objectifs, le modèle retenu sera celui présentant un très bon
résultat en calage mais surtout en validation.

 Démarche à adopter pour le modèle neuro-flou :

-Comme pour le modèle puissance, on aura à tâtonner sur la taille des séries de calage et
validation ;

-Pour chaque tâtonnement, on aura à changer et tester les différents paramètres du modèle à
savoir le nombre de règles floues, le nombre d’époques et le moteur d’inférence (genfis1 et
genfis3) tout en respectant la qualité de généralisation du système ANFIS;

-La simulation s’arrêtera à l’obtention des meilleurs critères de validation et lorsque certains
pics seront atteint.

Ainsi, les paramètres des modèles seront estimés durant la période de calage et la performance
du modèle sera étudiée en validation.

En plus de l’évaluation graphique, les critères utilisés et qui représentent un outil d’aide à la
décision sont NASH, RSR, PBIAS et le R² calculé entre les valeurs simulées et observées.

V.2.1.1 Mois de Janvier

La série du mois de Janvier contient 251 valeurs journalières de débit solide-débit liquide (des
crues bien observées).
Dans ce qui suit, le nombre de valeurs composant la série d’apprentissage (calage) et de
validation sera à chaque fois changé de même que le nombre de règles floues et ce, selon que
le modèle s’améliore ou non.

Page 85
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Modèle puissance

Tableau V.25 : Critère de validation pour les différentes séries calage-validation du mois de
Janvier (modèle puissance).

Calage 190 200 215 218 228 238 241 244

NASH(%) 94,71 94,56 94,25 94,25 94,12 93,52 93,52 93,22
RSR 0,23 0,23 0,24 0,24 0,24 0,25 0,25 0,26
PBIAS(%) -9,52 -8,39 -5,55 -5,55 -4,15 -4,09 -4,09 -4,14
R²(%) 94,75 94,6 94,27 94,27 94,14 93,53 93,54 93,23

Validation 61 51 36 33 23 13 10 07
NASH(%) 78,83 79,10 61,94 61,69 63,02 71,20 69,06 -54,72
RSR 0,46 0,46 0,62 0,62 0,60 0,54 0,56 1,24
PBIAS(%) 9,95 5,28 41,82 43,37 37,40 14,22 14,23 -93,60
R²(%) 79,18 79,23 83,67 83,79 85,59 83,85 83,97 95,91

60000 12000
obs obs
sim sim
50000 10000

40000 8000

30000 6000

20000 4000

10000 2000
Qs(Kg/s)

Qs(Kg/s)

0 0
0 50 100 150 200 250 0 20 40 60

Figure V.22 : Simulation du mois de Janvier par le modèle puissance

(Calage 200 jours- Validation 51 jours).

Interprétation des résultats :

Après analyse des résultats nous concluons que le meilleur modèle est obtenu pour une
période de calage de 200 jours et validation de 51 jours. En validation, les valeurs simulées
reprennent la tendance des valeurs observées mais pour les pics de plus de 8000Kg/s le
modèle n’arrive pas à les atteindre.

Page 86
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Les résultats sont assez satisfaisants en majorité, on voit bien que le modèle puissance est
assez performant en calage avec des Nash compris entre 93% à 94% et un RSR compris
entre 0,23 à 0,26. Le PBIAS montre que le modèle tend en moyenne à la surestimation des
valeurs, et à la sous-estimation en validation.

Modèle neuro-flou (07 règles flous)

Tableau V.26 : Critère de validation pour les différentes séries calage-validation du mois de
Janvier (modèle neuro-flou).

Calage 190 200 215 218 228 238 241 244

(10règles)
NASH(%) 83,55 83,20 81,00 80,99 80,52 80,35 80,25 95,56
RSR 0,40 0,41 0,44 0,44 0,44 0,44 0,44 0,21
PBIAS(%) -51,65 -50,76 -41,08 -40,94 -40,61 -38,68 -39,16 -0,29
R²(%) 85,54 85,16 82,87 82,84 82,31 82,06 81,97 95,56

Validation 61 51 36 33 23 13 10 07
NASH(%) 52,31 49,58 78,04 78,13 79,74 73,28 71,24 58,14
RSR 0,69 0,71 0,47 0,47 0,45 0,52 0,54 0,65
PBIAS(%) -41,93 -17,72 10,79 11,98 -1,07 -35,57 -36,55 -51,46
R²(%) 78,98 78,43 78,47 78,66 80,07 76,39 75,33 83,51

Figure V.23 : Simulation du mois de Janvier par le modèle neuro-flou

(Calage 200 jours- Validation 51 jours).

Page 87
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Les figures ci-dessus représentent la simulation par neuro-flou du modèle retenu par la
simulation empirique. On remarque que le modèle neuro-flou arrive à atteindre certains
piques contrairement au modèle puissance mais pour cette taille d’échantillon le modèle
surestime les valeurs simulées.

Le modèle retenu par neuro-flou est représenté dans les figures suivantes :

Figure V.24 : Simulation du mois de Janvier par le modèle neuro-flou

(Calage 228 jours- Validation 23 jours).

Interprétation des résultats :

A partir des simulations observées nous remarquons que le modèle neuro-flou optimale n’est
pas forcement le même que celui observé par le modèle empirique. Mais grâce au neuro-flou
on arrive presque à atteindre les deux pics de plus de 8000 Kg/s.

De manière générale en période de calage les résultats sont bons, la variation des critères n’est
pas importante contrairement aux résultats de la validation. Le coefficient de détermination
est assez important, il nous renseigne sur le taux de corrélation entre les valeurs simulées et
observées.

V.2.1.2 Mois de Février

La série du mois de Février contient 227 moyennes journalières de débit solide- débit liquide,
le même travail fait précédemment pour le mois de Janvier sera refait pour ce mois ci.

Page 88
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Modèle puissance

Tableau V.27 : Critère de validation pour les différentes séries calage-validation du mois de
Janvier (modèle puissance).

Calage 140 166 176 191 194 200 207 214 217 220
NASH(%) 78,32 74,90 75,08 72,10 72,13 72,31 73,40 73,49 73,52 73,57
RSR 0,47 0,50 0,50 0,53 0,53 0,53 0,52 0,51 0,51 0,51
PBIAS(%) -16,59 -15,91 -16,09 -15,27 -15,33 -15,31 -15,34 -15,14 -15,60 -15,57
R²(%) 78,90 75,42 75,56 72,57 72,55 72,75 73,86 73,94 73,97 74,02

Validation 87 61 51 36 33 27 20 13 10 07
NASH(%) 62,13 66,06 65,67 84,24 84,23 83,58 75,42 51,96 61,61 78,11
RSR 0,62 0,58 0,58 0,40 0,40 0,41 0,49 0,69 0,62 0,47
PBIAS(%) 23,20 40,07 41,08 24,73 24,62 28,76 -45,07 -54,92 -48,70 -17,97
R²(%) 70,76 84,50 84,30 97,44 97,45 98,08 87,93 74,64 80,48 88,83

25000 14000
obs obs
sim 12000 sim
20000
10000
15000
8000

10000 6000

4000
5000
2000
Qs(Kg/s)

Qs(Kg/s)

0 0
0 50 100 150 200 250 0 10 20 30 40

Figure V.25 : Simulation du mois de Février par le modèle puissance

(Calage 191 valeurs- Validation 36 valeurs).

Interprétation des résultats :

Pour le mois de Février les deux modèles à 191 et 194 valeurs de calage représentent les
meilleurs modèles de toute la série, le modèle à 200 valeurs, aussi, est proche de ces deux
derniers. Ces résultats nous donnent une idée sur la plage de valeurs « calage et de
validation » à prendre afin d’optimiser le résultat de la relation débit liquide-débit solide.

Page 89
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

On remarque que le modèle à 191 valeurs calage reprend la tendance des valeurs observées
en validation mais n’arrive pas à atteindre les deux pics les plus importants. Cela peut être
expliqué en analysant le calage on remarque que le modèle n’arrive pas à reproduire tous les
pics.

Modèle Neuro-flou (06 règles flous)

Tableau V.28 : Critère de validation pour les différentes séries calage-validation du mois de
Février (modèle neuro-flou).

Calage 140 166 176 191 194 200 207 214 217 220
NASH(%) 88,42 85,76 85,84 80,83 80,84 80,92 85,80 85,84 85,95 85,94
RSR 0,34 0,38 0,38 0,44 0,44 0,44 0,38 0,38 0,37 0,37
PBIAS(%) 1,59 -1,02 -1,07 1,04 1,01 -1,01 -1,71 -1,50 -1,53 -1,57
R²(%) 88,42 85,76 85,84 80,83 80,84 80,92 85,80 85,85 85,95 85,95

Validation 87 61 51 36 33 27 20 13 10 07
NASH(%) 66,42 62,81 64,32 89,60 89,56 90,10 71,17 67,09 72,98 81,00
RSR 0,58 0,61 0,60 0,32 0,32 0,31 0,54 0,57 0,52 0,44
PBIAS(%) 22,70 49,13 45,60 31,01 29,90 30,10 -12,61 -23,89 -8,34 18,92
R²(%) 67,87 67,66 69,41 92,87 92,75 93,41 73,89 71,37 74,42 85,75

La série retenue par le modèle empirique sera testée par le modèle neuro-flou, les résultats
sont améliorés, comme le montre les figures ci-dessous le modèle arrive à reproduire le pic de
12 000Kg/s.

Figure V.26 : Simulation du mois de Février par le modèle neuro-flou

(Calage 191 jours- Validation 36 jours).
Page 90
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

La meilleur simulation présentée par le modèle neuro-flou est la suivante :

Figure V.27 : Simulation par le mois de Février par le modèle neuro-flou

(Calage 200 jours- Validation 27 jours).

Interprétation des résultats :

En analysant les différents critères on remarque que le modèle neuro-flou arrive à améliorer
les résultats tant en calage qu’en validation.

Le modèle retenu est celui à 200 jours en calage, les critères obtenus sont très bon, le modèle
arrive à reproduire certains pics tant en calage qu’en validation.

V.2.1.3 Mois de Mars

La série du mois de Mars contient 190 moyennes journalières de débit solide- débit liquide.

Modèle puissance

Tableau V.29 : Critère de validation pour les différentes séries calage-validation du mois de
Mars (modèle neuro-flou).

Calage 126 139 150 157 163 170 175 180

NASH(%) 88,34 87,96 87,41 87,40 87,41 87,44 87,48 87,48
RSR 0,34 0,34 0,35 0,35 0,35 0,35 0,35 0,35
PBIAS(%) -22,40 -19,38 -18,18 -17,58 -17,71 -17,59 -17,60 -16,72
R²(%) 88,97 88,39 87,82 87,78 87,78 87,81 87,83 87,81

Page 91
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Validation 64 51 40 33 27 20 15 10
NASH(%) 88,34 87,96 87,41 87,40 87,41 87,45 87,48 87,48
RSR 0,34 0,35 0,35 0,35 0,35 0,35 0,35 0,35
PBIAS(%) -22,40 -19,38 -18,18 -17,58 -17,71 -17,59 -17,60 -16,72
R²(%) 75,47 83,70 70,61 28,40 22,99 58,14 57,62 53,95

40000 obs 8000 obs

35000 sim 7000 sim

30000 6000

25000 5000

20000 4000

15000 3000

10000 2000

5000 1000
Qs(Kg/s)

Qs(Kg/s)

0 0
0 50 100 150 0 10 20 30 40 50 60

Figure V.28 : Simulation du mois de Mars par le modèle puissance

(Calage 139 jours- Validation 51 jours).

Interprétation des résultats :

Pour le mois de Mars la simulation est plutôt constante. Les critères de validation ne nous
renseignent pas sur le choix du modèle optimal, que se soit en calage ou en validation la
variation est presque la même. Seul le R² diminue en validation pour les différentes séries de
validation. Les valeurs du PBIAS montrent que le modèle tend à surestimer les valeurs
simulées.

La simulation représentée ci-dessus est celle du modèle à 139 valeurs en calage et 51 valeurs
en validation. Comme pour les mois précédents, les pics ne sont pas atteint en validation mais
la tendance entre les simulées et observées y est toujours.

Modèle Neuro-flou (07 règles flous)

Tableau V.30 : Critère de validation pour les différentes séries calage-validation du mois de
Mars (modèle neuro-flou).

Calage 126 139 150 157 163 170 175 180

NASH(%) 88,61 87,34 86,69 86,63 86,56 86,46 86,33 86,14
RSR 0,34 0,34 0,36 0,36 0,37 0,37 0,37 0,37
PBIAS(%) -20,50 -21,04 -19,66 -19,47 -19,47 -19,61 -20,33 -20,58
R²(%) 89,30 88,00 87,32 87,23 87,14 87,03 86,92 86,73

Page 92
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Validation 64 51 40 33 27 20 15 10
NASH(%) 57,83 70,16 56,83 -4,34 -22,23 -26,32 -34,91 -37,81
RSR 0,65 0,55 0,66 1,02 1,11 1,12 1,16 1,17
PBIAS(%) 65,50 53,86 81,27 80,20 93,15 - 99,69 98,99
R²(%) 73,02 81,64 66,05 16,45 1,89 - 5,58 4,64

Figure V.29 : Simulation du mois de Mars par le modèle neuro-flou

(Calage 139 jours- Validation 51 jours).

Interprétation des résultats :

Pour le mois de Mars la simulation n’est pas satisfaisante. Le modèle n’améliore pas les
résultats pour toutes les séries surtout en validation. Le seul modèle retenu est le même que
celui retenu par le modèle puissance. Le neuro-flou arrive à améliorer la simulation des pics
mais pas ceux inférieurs à 1000Kg/s ce qui explique les valeurs des critères observés en
validation.

V.2.1.4 Mois d’Avril

La série du mois d’Avril contient 107 valeurs journalières de débit solide-débit liquide.

Modèle puissance

Tableau V.31 : Critère de validation pour les différentes séries calage-validation du mois
d’Avril (modèle puissance).

Calage 67 70 74 80 87 92 97
NASH(%) 73,26 73,30 71,09 70,86 75,86 76,04 76,18
RSR 0,52 0,52 0,54 0,54 0,49 0,49 0,49
PBIAS(%) -19,90 -18,96 -16,95 -15,34 -13,32 -13,73 -12,78
R²(%) 74,14 74,15 71,87 71,60 76,40 76,57 76,70

Page 93
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Validation 40 37 33 27 20 15 10
NASH(%) 76,06 75,96 81,47 82,73 79,81 80,74 51,60
RSR 0,49 0,49 0,43 0,42 0,45 0,44 0,69
PBIAS(%) 29,48 30,27 19,49 13,77 -30,08 -21,09 -9,89
R²(%) 87,35 87,36 89,87 90,22 84,69 84,62 57,96

12000 14000
obs obs

sim 12000 sim

10000

10000
8000
8000
6000
6000
4000
4000

2000
2000
Qs(Kg/s)

Qs(Kg/s)

0 0
0 20 40 60 80 100 0 5 10 15 20 25 30

Figure V.30 : Simulation du mois d’Avril par le modèle puissance

(Calage 80 jours- Validation 27 jours).

Interprétation des résultats :

Le meilleur modèle retenu est celui de la série de 80 jours en calage et 27 jours en validation.
La simulation en validation est plutôt satisfaisante même si la valeur du pic n’est pas
reproduite.

La valeur positive du PBIAS montre que le modèle sous-estime en moyenne les valeurs
simulées cela se confirme en analysant le graphique de la validation. Mais de manière
générale, les critères sont satisfaisants.

Modèle Neuro-flou (05règles flous)

Calage 67 70 74 80(04règles) 87 92 97
NASH(%) 97,94 97,47 94,55 90,27 90,66 90,76 90,14
RSR 0,14 0,16 0,23 0,31 0,31 0,30 0,31
PBIAS(%) -0,44 -0,33 -1,07 -0,82 -0,28 -0,43 -0,20
R²(%) 97,94 97,47 94,55 90,27 90,66 90,76 90,14

Page 94
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Validation 40 37 33 27 20 15 10
NASH(%) 72,23 74,23 76,89 83,04 91,21 86,86 49,21
RSR 0,53 0,51 0,48 0,42 0,30 0,36 0,71
PBIAS(%) 24,28 23,98 13,56 -9,91 7,73 18,31 34,43
R²(%) 77,58 78,16 81,54 87,93 91,47 88,78 55,58
Tableau V.32 : Critère de validation pour les différentes séries calage-validation du mois
d’Avril (modèle neuro-flou).

Le modèle neuro-flou améliore la simulation du modèle puissance retenu. En calage ou en

validation les résultats sont très satisfaisants, les critères sont jugés très bons et l’analyse
graphique montre que les pics sont atteints.

Figure V.31 : Simulation du mois d’Avril par le modèle neuro-flou

(Calage 80 jours- Validation 27 jours).

Page 95
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Le meilleur modèle de la simulation neuro-flou est le suivant :

Figure V.32 : Simulation du mois d’Avril par le modèle neuro-flou

(Calage 87 jours- Validation 20 jours).

Interprétation des résultats :

Les résultats présentés par le modèle neuro-flou sont très satisfaisants, on remarque une nette
amélioration sur la période d’apprentissage par rapport au modèle puissance avec des Nash
dépassant les 90% et des RSR inférieur à 0,30.

Le meilleur modèle retenu par le neuro-flou est celui à 87 jours en calage, comme le montre
le graphique les extrêmes sont correctement reproduits.

V.2.1.5 Mois de Mai

La série du mois de Mai contient 119 valeurs journalières de débit solide-débit liquide.

Modèle puissance

Tableau V.33 : Critère de validation pour les différentes séries calage-validation du mois de
Mai (modèle puissance).

Calage 72 82 86 92 99 104 109 112

NASH(%) 49,18 49,41 49,71 49,78 48,95 49,04 49,05 49,23
RSR 0,71 0,71 0,71 0,71 0,71 0,71 0,71 0,71
PBIAS(%) 0,96 0,30 -0,12 -0,35 1,87 2,27 1,75 1,37
R²(%) 49,19 49,41 49,71 49,78 48,96 49,05 49,06 49,24

Page 96
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Validation 47 37 33 27 20 15 10 07
NASH(%) 37,75 25,64 22,76 22,62 47,54 46,85 -12,45 -23,11
RSR 0,79 0,86 0,88 0,88 0,72 0,73 1,06 1,11
PBIAS(%) 6,58 -6,80 -2,93 0,16 23,80 44,60 28,44 36,45
R²(%) 44,91 50,10 49,14 49,31 51,08 68,73 4,10 2,36

obs 3500 obs

20000
18000 sim sim
3000
16000
2500
14000
12000 2000
10000
1500
8000
6000 1000

4000
500
2000
Qs(Kg/s)
Qs(Kg/s)

0
0
0 5 10 15 20 25
0 20 40 60 80 100 120

Figure V.33 : Simulation du mois de Mai par le modèle puissance

(Calage 99 jours- Validation 20 jours).

Interprétation des résultats :

Les graphiques ci-dessus représentent le meilleur modèle puissance de toutes les séries
calage-validation. Toutefois les résultats restent mauvais.

De manière générale les résultats du calage sont insatisfaisants, les différents critères sont à la
limite du seuil acceptable.

Ainsi le modèle puissance ne reproduit pas correctement le débit solide du mois de Mai que
l’on considère comme un mois sec.

Modèle Neuro-flou (15 règles flous)

Tableau V.34 : Critère de validation pour les différentes séries calage-validation du mois de
Mai (modèle neuro-flou).

Calage 72 82 86 92 99 104 109 112

NASH(%) 92,89 90,04 89,82 89,33 89,45 89,47 88,70 88,75
RSR 0,27 0,32 0,32 0,33 0,32 0,32 0,34 0,34
PBIAS(%) 0,016 0,05 -0,07 -0,01 0,03 -0,01 0,01 -0,01
R²(%) 92,89 90,04 89,82 89,33 89,45 89,48 88,70 88,75

Page 97
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Validation 47 37 33 27 20 15 10 07
NASH(%) -8,65 28,44 33,99 52,68 34,11 29,89 -43,09 -56,81
RSR 1,04 0,85 0,81 0,68 0,81 0,84 1,20 1,25
PBIAS(%) -13,29 -21,17 -2,93 24,45 32,12 38,84 17,16 23,05
R²(%) 19,87 47,69 39,19 57,86 41,03 38,80 1,92 0,67

On présentera ci-dessous la simulation du meilleur modèle retenu :

Figure V.34 : Simulation du mois de Mai par le modèle neuro-flou

(Calage 92 jours- Validation 27 jours).

Interprétation des résultats :

On remarque que le modèle neuro-flou améliore les résultats du calage, les Nash arrivent à
atteindre les 90%, tandis que pour la validation les résultats ne s’améliorent pas pour toutes
les séries. On ne présentera pas la simulation du modèle puissance retenu puisque le neuro-
flou n’améliore pas ses résultats, mais on présentera celui à 92 valeurs calage jugé comme
meilleur modèle de toute la série malgré que ses critères restent insatisfaisants.

V.2.1.6 Mois d’été

La série des mois d’été contient 65 valeurs journalières. On a regroupé le mois de Juin, Juillet
et Août en un seul paquet car le nombre de crues observées n’est pas assez important vu que
se sont des mois secs.

Page 98
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Modèle puissance

Tableau V.35 : Critère de validation pour les différentes séries calage-validation des mois
d’été (modèle puissance).

Calage 40 42 48 50 55 60
NASH(%) 56,22 56,58 61,50 61,50 58,33 56,08
RSR 0,66 0,66 0,62 0,62 0,65 0,66
PBIAS(%) 2,97 3,51 -4,72 -6,34 -7,33 -5,66
R²(%) 36,17 56,65 61,62 61,72 58,49 56,19

Validation 25 23 17 15 10 05
NASH(%) 14,44 11,30 31,55 33,41 20,97 34,27
RSR 0,92 0,94 0,83 0,82 0,89 0,81
PBIAS(%) 63,97 63,93 49,42 45,74 -5,66 62,88
R²(%) 71,91 71,31 72,76 71,25 21,87 98,56

Interprétation des résultats :

Les résultats obtenus ne sont pas satisfaisant cela revient à dire que le modèle puissance
n’arrive pas à reproduire les flux observés pour les crues de l’été. Ainsi, aucune simulation ne
sera présentée.

Modèle neuro-flou (03 règles)

Tableau V.36 : Critère de validation pour les différentes séries calage-validation des mois
d’été (modèle neuro-flou).

Calage 40 42 48 50 55 60
NASH(%) 84,69 84,26 78,71 75,54 91,76 91,03
RSR 0,39 0,40 0,46 0,49 0,29 0,30
PBIAS(%) -5,73 -5,55 -3,10 -2,83 -1,93 -1,47
R²(%) 84,94 84,49 78,76 75,59 91,77 91,033

Validation 2 23 17 15 10 05
NASH(%) -18,26 -23,63 72,27 62,53 24,92 15,18
RSR 1,09 1,12 0,53 0,61 0,87 0,92
PBIAS(%) 84,55 84,56 42,24 43,03 37,12 69,62
R²(%) 49,14 43,90 90,06 90,22 45,45 95,68

Page 99
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Figure V.35 : Simulation des mois d’été par le modèle neuro-flou

(Calage 48 jours-Validation 17 jours).

Interprétation des résultats :

Contrairement au modèle puissance, le modèle neuro-flou donne de très bons résultats en

calage et de bonnes en validation comme le montrent les valeurs des différents critères
objectifs.

La simulation présentée ci-dessus est satisfaisante en calage les pics sont atteints, en
validation la tendance y est mais le pic n’a pas pu être atteint.

V.2.1.7 Mois de Septembre

La série du mois de Septembre contient 75 valeurs journalières.

Modèle puissance

Tableau V.37 : Critère de validation pour les différentes séries calage-validation du mois de
Septembre (modèle neuro-flou).

Calage 42 48 55 65 68
NASH(%) 36,17 40,28 85,87 86,51 86,62
RSR 0,80 0,77 0,38 0,37 0,37
PBIAS(%) 0,40 -1,97 5,77 5,31 5,30
R²(%) 36,17 40,31 85,95 86,58 86,69

Validation 33 27 20 10 07
NASH(%) 55,64 57,88 87,47 19,84 6,13
RSR 0,66 0,65 0,35 0,90 0,97
PBIAS(%) 50,11 48,05 36,10 41,73 43,43
R²(%) 97,11 97,14 94,35 29,05 19,16

Page 100
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

50000 obs 18000 obs

45000 sim 16000 sim
40000 14000
35000
12000
30000
10000
25000
8000
20000
6000
15000
4000
10000
5000 2000
Qs(Kg/s)

Qs(Kg/s)
0 0
0 10 20 30 40 50 60 0 5 10 15 20 25

Figure V.36 : Simulation du mois de Septembre par le modèle puissance

(Calage 55 jours- Validation 20 jours).

Interprétation des résultats :

En analysant les résultats obtenus on remarque que les critères s’améliore en période de
calage quand la taille des échantillons augmente, tandis qu’en validation cela ne s’applique
pas, les résultats différent.

Le meilleur modèle est obtenu pour une période de calage de 55 valeurs et 20 valeurs en
validation. Le PBIAS est positif donc le modèle tend à sous-estimer les valeurs simulés tant
en calage qu’on validation. Les valeurs de Nash et RSR sont assez bonnes ainsi que le
coefficient de détermination qui a atteint un taux de 94%.

Modèle Neuro-flou (07 règles)

Tableau V.38 : Critère de validation pour les différentes séries calage-validation du mois de
Septembre (modèle neuro-flou).

Calage 42 48 55 65 68
NASH(%) 36,05 39,75 83,01 84,04 84,15
RSR 0,80 0,77 0,41 0,40 0,40
PBIAS(%) 0,10 0,10 -5,47 -4,51 -4,63
R²(%) 36,05 39,75 83,10 84,10 84,21

Validation 33 27 20 10 07
NASH(%) 65,13 70,64 91,25 24,28 11,99
RSR 0,59 0,54 0,30 0,87 0,94
PBIAS(%) 45,98 42,23 30,47 30,17 26,78
R²(%) 97,97 98,16 94,16 28,78 18,95

Page 101
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Figure V.37 : Simulation du mois de Septembre par le modèle neuro-flou

(Calage 55 jours- Validation 20 jours).
Interprétation des résultats :

Les résultats montrent que le modèle neuro-flou n’est pas assez performant en calage par
rapport au modèle puissance par contre en validation les résultats s’améliorent comme le
montrent les différents critères de validation.

Le modèle à 55 jours en calage arrive à reproduire le pic jusqu’à une valeur de plus de
14000Kg/s ce qui est satisfaisant comparé au résultat du modèle puissance.

V.2.1.8 Mois d’Octobre

La série du mois d’Octobre contient 141 valeurs journalières de débit solide- débit liquide.

Modèle puissance

Tableau V.39 : Critère de validation pour les différentes séries calage-validation du mois
d’Octobre (modèle puissance).

Calage 87 94 104 108 114 121 126 131 134

NASH(%) 52,63 52,52 52,01 52,53 52,09 52,74 53,12 53,55 53,82
RSR 0,69 0,69 0,69 0,69 0,69 0,69 0,68 0,68 0,68
PBIAS(%) 3,03 2,77 -0,75 -1,16 -1,21 -0,95 -1,06 -1,05 -1,05
R²(%) 52,68 52,56 52,01 52,53 52,09 52,75 53,12 53,55 53,82

Validation 54 47 37 33 27 20 15 10 07
NASH(%) 35,17 35,47 35,59 34,90 35,10 33,43 31,49 27,33 20,32
RSR 0,80 0,80 0,80 0,81 0,81 0,82 0,82 0,85 0,89
PBIAS(%) 42,78 39,64 15,25 16,14 6,14 5,90 8,69 10,38 10,14
R²(%) 39,78 39,68 35,87 35,22 35,14 33,50 31,62 27,57 20,70

Page 102
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

30000 60000
obs obs
25000 sim sim
50000

20000 40000

15000 30000

10000 20000

5000 10000
Qs(Kg/s)

Qs(Kg/s)
0 0
0 20 40 60 80 100 120 0 10 20 30 40

Figure V.38 : Simulation du mois d’Octobre par le modèle puissance

(Calage 104 jours- Validation 37 jours).

Interprétation des résultats :

Le modèle choisi est le meilleur modèle de toute la série mais on remarque bien qu’il n’est
pas performant, en calage le modèle surestime les valeurs contrairement à la validation ou on
a une sous-estimation. Aussi, faisant le point sur les critères objectifs en calage les valeurs
sont moyennement satisfaisantes mais en validation les critères se détériorent et le modèle est
jugé insatisfaisant.

Modèle Neuro-flou (04 règles flous)

Tableau V.40 : Critère de validation pour les différentes séries calage-validation du mois
d’Octobre (modèle neuro-flou).

Calage 87 94 104 108 114 121 126 131 134

NASH(%) 69,84 68,96 71,70 71,99 70,67 71,07 71,30 71,56 71,72
RSR 0,55 0,56 0,53 0,53 0,54 0,54 0,54 0,53 0,53
PBIAS(%) -0,005 -0,02 -0,006 -0,009 0,002 -0,002 0,001 -0,004 -0,004
R²(%) 69,84 68,96 71,70 71,99 70,67 71,07 71,30 71,56 71,72

Validation 54 47 37 33 27 20 15 10 07
NASH(%) 34,46 35,05 24,28 23,06 22,94 21,33 18,87 13,97 5,50
RSR 0,81 0,81 0,87 0,88 0,88 0,89 0,90 0,93 0,92
PBIAS(%) 50,49 47,36 55,68 57,69 52,94 54,25 59,29 63,98 64,46
R²(%) 45,45 44,88 48,28 47,59 43,56 42,40 42,35 40,93 35,17

Page 103
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Figure V.39 : Simulation du mois d’Octobre par le modèle neuro-flou

(Calage 94 jours- Validation 47 jours).

Interprétation des résultats :

Le modèle neuro-flou est connu pour ses performances, mais pour le mois d’Octobre les
résultats restent médiocres ainsi en analysant la série de donnée nous avons décidé de
supprimer la valeur à 50 000Kg/s qui est jugée comme valeur douteuse.

Les résultats sont les suivants :

Modèle puissance

Tableau V.41 : Critère de validation pour les différentes séries calage-validation du mois
d’Octobre (modèle puissance).

Calage 87 94 104 108 114 121 126 131 134

NASH(%) 52,63 52,52 52,01 52,53 52,09 52,74 53,12 53,55 53,82
RSR 0,69 0,69 0,69 0,69 0,69 0,69 0,69 0,68 0,68
PBIAS(%) 3,03 2,77 -0,75 -1,16 -1,21 -0,95 -1,06 -1,05 -1,05
R²(%) 52,68 52,56 52,01 52,53 52,09 52,75 53,12 53,55 53,82

Validation 54 47 37 33 27 20 15 10 07
NASH(%) 20,08 21,08 -92,04 -99,10 -231,4 -248,9 -290,3 -369,8 -495,1
RSR 0,88 0,89 0,89 1,39 1,82 1,87 1,98 2,17 2,44
PBIAS(%) 31,81 26,09 -41,98 -40,95 -100,3 -114,4 -128,7 -153,7 -159,4
R²(%) 32,89 32,38 42,28 41,39 70,31 69,78 69,64 69,98 62,67

Page 104
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Modèle Neuro-flou (04 règles flous)

Tableau V.42 : Critère de validation pour les différentes séries calage-validation du mois
d’Octobre (modèle neuro-flou).

Calage 87 94 104 108 114 121 126 131 134

NASH(%) 69,84 68,96 71,70 71,99 70,66 71,07 71,30 71,56 71,72
RSR 0,55 0,56 0,53 0,53 0,54 0,54 0,54 0,53 0,53
PBIAS(%) -0,005 0,02 -0,006 -0,009 0,002 -0,002 0,001 -0,004 -0,004
R²(%) 69,84 68,96 71,70 71,99 70,67 71,07 71,30 71,56 71,72

Validation 54 47 37 33 27 20 15 10 07
NASH(%) 61,45 63,27 14,81 12,97 -9,69 -17,22 -29,68 -56,40 -97,10
RSR 0,62 0,60 0,92 0,93 1,05 1,08 1,14 1,25 1,40
PBIAS(%) 38,18 32,61 26,89 30,30 2,02 -0,22 5,38 10,56 10,83
R²(%) 66,95 67,05 20,70 19,98 15,91 13,06 8,19 2,00 0,70

Interprétation des résultats :

Après avoir supprimé la valeur douteuse on remarque que les résultats du modèle puissance
se sont détériorés par contre pour le modèle neuro-flou on arrive à avoir un bon résultat pour
la série à 94 valeurs calage et 47 valeurs validation. La simulation est présentée ci-dessous :

Figure V.40 : Simulation du mois d’Octobre par le modèle neuro-flou

(Calage 94 jours- Validation 47 jours).

Page 105
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

V.2.1.9 Mois Novembre

La série du mois de Novembre contient 153 valeurs journalières de débit solide- débit liquide.

Modèle puissance

Tableau V.43 : Critère de validation pour les différentes séries calage-validation du mois de
Novembre (modèle puissance).

Calage 92 103 120 126 133 140 143

NASH(%) 94,31 94,21 94,20 93,94 93,95 93,94 93,94
RSR 0,24 0,24 0,24 0,25 0,25 0,25 0,25
PBIAS(%) -1,55 -1,30 -1,79 -1,91 -1,86 -1,14 -1,05
R²(%) 94,31 94,21 94,17 93,94 93,95 93,94 93,95

Validation 61 50 33 27 20 13 10
NASH(%) 83,54 86,11 87,33 35,94 27,86 38,92 42,75
RSR 0,41 0,37 0,36 0,80 0,85 0,78 0,76
PBIAS(%) 45,69 36,82 33,91 27,12 24,03 -16,20 -30,15
R²(%) 97,57 99,16 99,27 41,92 31,40 45,83 50,39

90000 obs 20000 obs

80000 sim 18000 sim

70000 16000
14000
60000
12000
50000
10000
40000
8000
30000
6000
20000 4000
10000 2000
Qs(Kg/s)
Qs(Kg/s)

0 0
0 50 100 150 0 10 20 30 40

Figure V.41 : Simulation du mois de Novembre par le modèle puissance

(Calage 120 jours- Validation 33 jours).

Page 106
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Interprétation des résultats :

En calage le modèle donne de très bons résultats, de très bonnes valeurs de Nash ainsi que le
RSR. La tendance des modèles obtenues pour les différentes séries tend vers la surestimation.
Le coefficient de détermination aussi est très bon ce qui prouve que les valeurs simulées
suivent la tendance des valeurs observées. Pour la validation les résultats changent, lorsque la
taille de l’échantillon diminue en validation les critères se détériorent donc en on conclue que
pour obtenir le modèle optimal il faut déterminer la bonne taille d’échantillon calage-
validation.

Le modèle retenue pour le mois de Novembre est le modèle à 120 valeurs en calage et 33
valeurs en validation avec des critères jugés très bons.

Modèle neuro-flou (07 règles flous)

Tableau V.44 : Critère de validation pour les différentes séries calage-validation du mois de
Novembre (modèle neuro-flou).

Calage 92 103 120 126 133 140 143

NASH(%) 91,59 90,95 90,58 90,82 90,71 90,55 90,50
RSR 0,29 0,30 0,31 0,30 0,30 0,31 0,31
PBIAS(%) -24,36 -23,68 -25,32 -23,88 -24,22 -23,91 -24,37
R²(%) 92,07 91,39 91,06 91,28 91,16 90,98 90,93

Validation 61 50 33 27 20 13 10
NASH(%) 93,40 97,22 97,87 -37,40 -42,82 -38,51 -30,48
RSR 0,26 0,17 0,15 1,17 1,20 1,18 1,14
PBIAS(%) 44,63 29,80 34,16 90,62 91,96 81,60 72,47
R²(%) 95,57 98,06 98,90 14,28 1,67 9,61 8,28

Page 107
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Figure V.42 : Simulation du mois de Novembre par le modèle neuro-flou

(Calage 120 jours- Validation 33 jours).

Interprétation des résultats :

Le modèle neuro-flou donne de très bons résultats en calage de même pour la validation mais
cela s’applique que pour certaines tailles des séries. En validation le modèle arrive à
reproduire le pic mais pas les valeurs inférieures à 2000Kg/s.

V.2.1.10 Mois de Décembre

La série du mois de Décembre contient 220 valeurs journalières.

Modèle puissance

Tableau V.45 : Critère de validation pour le mois de Décembre pour les différentes séries
calage-validation (modèle puissance).

Calage 146 159 169 184 187 193 200 210 213
NASH(%) 82,08 80,37 79,18 79,36 79,29 79,30 79,50 74,13 73,82
RSR 0,42 0,44 0,46 0,45 0,46 0,45 0,45 0,51 0,51
PBIAS(%) 6,37 7,60 9,21 9,54 9,89 9,91 10,28 7,98 8,62
R²(%) 82,19 80,51 79,37 79,56 79,51 79,61 79,71 74,27 73,99

Validation 74 61 51 36 33 27 20 10 07
NASH(%) 44,26 47,60 50,69 49,30 49,38 47,73 44,13 14,40 41,79
RSR 0,75 0,72 0,70 0,71 0,71 0,72 0,75 0,93 0,69
PBIAS(%) 70,65 68,20 65,06 64,56 63,98 63,91 64,36 60,88 46,97
R²(%) 72,93 74,37 76,04 75,43 75,34 74,75 73,72 81,39 91,41

Page 108
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

30000 18000 obs

obs
16000 sim
25000 sim
14000

20000 12000

10000
15000
8000

10000 6000

4000
5000

Qs(Kg/s)
Qs(Kg/s)

2000
0 0
0 50 100 150 200 0 20 40 60
Figure V.43 : Simulation du mois de Décembre par le modèle puissance
(Calage 169 jours- Validation 51 jours).

Interprétation des résultats :

Le modèle retenu est celui à 169 valeurs en calage et 51 valeurs en validation. Pour le choix
on s’est basé sur les valeurs des critères en calage et en validation.
Le Nash atteint les 50% qui est une valeur moyennement satisfaisante tandis que le RSR
atteint le seuil acceptable qui est de 0,70, le PBIAS montre que le modèle tend à sous-
estimer les valeurs (cela est confirmé graphiquement). Ainsi on peut dire que la validation est
à la limite de l’acceptable.

Modèle neuro-flou (07 règles flous)

Tableau V.46 : Critère de validation pour le mois de Décembre pour les différentes séries
calage-validation (modèle puissance).

Calage 146 159 169 184 187 193 200 210 213
NASH(%) 70,07 70,85 69,87 69,84 69,77 69,81 69,87 66,68 69,34
RSR 0,53 0,54 0,55 0,55 0,55 0,55 0,55 0,58 0,58
PBIAS(%) -13,29 -12,82 -11,67 -12,14 -11,93 -12,32 -12,65 -10,72 -10,14
R²(%) 72,75 71,45 70,35 70,31 70,23 70,27 70,33 67,02 66,64

Validation 74 61 51 36 33 27 20 10 07
NASH(%) 50,92 52,56 54,57 53,37 53,30 51,81 48,69 38,03 90,21
RSR 0,70 0,69 0,67 0,68 0,68 0,69 0,72 0,79 0,31
PBIAS(%) 64,78 62,92 58,97 57,38 57,00 56,27 56,33 41,52 15,66
R²(%) 73,51 73,44 73,86 73,70 73,57 72,89 71,56 49,46 93,99

Page 109
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Figure V.44 : Simulation du mois de Décembre par le modèle neuro-flou

(Calage 213 jours- Validation 07 jours).

Interprétation des résultats :

Les résultats obtenus par neuro-flou montrent qu’il y’a une amélioration en validation mais
pas en calage. Le modèle retenu est celui où tous les critères sont réunis, ainsi, comme le
montre la simulation ci-dessus le modèle arrive à reprendre tendance des valeurs observées et
atteint même certains pics.

V.2.2 Conclusion de la deuxième partie

Après analyse de tous les résultats, on peut se prononcer sur le modèle à adopter pour la
modélisation du transport solide. Le modèle retenu est le modèle neuro-flou connu pour sa
grande robustesse dans la prédiction des systèmes non linéaires.

De manière générale, le modèle neuro-flou arrive à améliorer les résultats du modèle

puissance, il présente des résultats satisfaisants ou bien même très bons contrairement au
modèle puissance qui sous-estime les pics et n’arrive pas à les reproduire.

Le modèle neuro-flou a une capacité d’apprentissage très performante, mais pour la

validation, la taille de l’échantillon est importante, car comme on l’a constaté il améliore les
résultats pour un certain nombre de valeurs en validation. Par contre, pour le modèle
puissance, on obtient les meilleurs résultats pour une taille de calage comprise entre 75-80%
de la taille totale de l’échantillon.

Page 110
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Conclusion Générale

L’information hydrologique recueillie ne représente qu’un flash correspondant à une

situation, à un moment donné. La quantification des écoulements sur un bassin versant est une
étape déterminante pour tout projet s’y rapportant ; aménagement, prévision et gestion sont
les principaux objectifs.

L’une des situations étudiées dans notre cas est le processus du transport des matières
solides en suspension, il se fait principalement en période de crue et il est étroitement lié à
l’intensité des précipitations. Ainsi, ce travail consiste en une contribution à l’analyse du
phénomène du transport solide qui, précisions-le, est un phénomène de grande complexité, de
par l’influence que porte sur lui les différents paramètres climatiques et hydrologiques mais
aussi l’influence du temps écoulé entre le passage d’une crue et le début du transport solide.

Généralement l’étude de ce phénomène a pour intérêt la protection des bassins versants

et des retenus existantes contre l’envasement, donc l’étude a un aspect préventif beaucoup
plus que curatif. On peut aussi à travers cette étude répondre à un souci pratique qui touche
beaucoup le domaine de l’hydrologie en Algérie et qui est le comblement de données.

L’objectif de notre travail est d’arriver à une représentation optimale du phénomène de

transport solide sur l’Oued Isser, ce qu’on entend par là, c’est l’établissement d’une relation
représentant la liaison débit solide - débit liquide.

Concernant les méthodes approchées, notre étude s’est basée en un premier temps sur
l’utilisation de la statistique régressif, on retiendra dans notre cas que le modèle puissance
était le modèle le plus satisfaisant. Son utilisation pour de futures prévisions est possible mais
la simplicité de son apprentissage laisse un doute sur son taux de performance. Ce dernier est
optimisé pour une certaine taille d’échantillon en calage-validation (une plage en calage
évaluée à 70-80% de la taille de la série) où les critères objectifs utilisés étaient très
satisfaisants mais la simulation des extrêmes ne l’était pas, ce qui nous pousse à étudier une
deuxième approche afin d’affiner les résultats.

La seconde étude est basée sur l’utilisation d’un des modèles à boîte noire. Le choix
d’un des modèles utilisant l’intelligence artificielle (modèle ANFIS), est basé sur sa capacité
de minimiser l’erreur de prédiction.

Page 111
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Le modèle neuro-flou a démontré sa performance en reproduisant quelques pics

extrêmes ce qui représente un net avantage par rapport au modèle empirique.

Lors de l’apprentissage les résultats étaient tous très satisfaisants, tandis qu’en validation le
résultat le plus performant était obtenu pour une et une seule période de calage. Le taux de
performance du modèle neuro-flou n’étant pas excellent cela remet en question la fiabilité des
données utilisées.

Pour conclure, on rajoutera que l’étude du transport solide doit se faire à une échelle
événementielle à apprentissage mensuel où le phénomène d’érosion est bien observé. Le
choix d’un apprentissage mensuel est justifié par le souci d’étudier le transport solide généré
mensuellement sachant que chaque mois est caractérisé par un climat particulier.

Page 112
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Références bibliographiques
[1] : El Amine Cherif et al. Modélisation statistique du transport solide du bassin versant de
l’Oued Mekerra en zone semi aride méditerranéenne. Hydrological Sciences Journal, 54(2).
Avril 2009.

[2] : Lionel Mabit et al. L’érosion hydrique : méthodes et études de cas dans le Nord de la
France. Cahier Agricultures. Volume 11, Numéro 3, 195-206. Mai-Juin 2002.

[3] : Ouldrebai Abdelkarim. Etude des transports solides dans le bassin versant de l’Oued
Lardjem, impact de l’envasement du barrage de Sidi Yacoub sur l’irrigation à l’aval. Mémoir
en vue de l’obtention du diplôme d’ingénieur d’Etat en Agronomie. 2009/2010.

[4] : Lefkir.A Modélisation du transport solide par les modèles neuro-flous. Thèse en vue de
l’obtention du titre de doctorat en hydraulique. ENP .2009.

[5] : J.P.Villeneuve. La modélisation hydrologique et la gestion de l’eau. Revue Scientifique

Eau. 1998.

[6] : Larfi et al,. Le transport solide dans le bassin versant de l’Oued Isser, Impact sur
l’envasement du barrage de Beni Amrane. Larhyss Journal. ISSN1112-3680, n°05 ,pp63673.
Juin 2006.

[7] : Otilia Elena Vasile. Contributon au prognostic de défaillances par réseauneuro-flou:

maîtrise de l’erreur de prédiction. 2008.

[8]: S.Zribi Boujelbene et al,. Système à inférences floues pour la classification phonémique.
4th international conference: Sciences of Electonic, Technologie of Information and
Telecommunications. 2007.

[9]: Commande et identification floue, Ecole Nationale Supérieure de Mécanique et des

Microtechniques.

[10]: Modèles et modélisation. Diplôme Universitaire de Pharmacocinétique de Toulouse.

2007.

[11]: A. Lefkir et al., Quantification du transport solide par la technique floue, application au
barrage de Beni Amrane (Algérie). Revue des Sciences de l’Eau. 19(3) 247-257. 2006.

[12]: P.Krause. Comparison of different efficiency criteria for hydrological model

assessment, Advanced in Geosciences. 5,89-97.2005.

[13]: D.N.Moriasi. Model Evaluation Guidelines for Systematic Quantification of Accuracy in

Watershed Simulation. American Society of Agricultural and Biological Engineers ISSN001-
2351. Vol 50(3):885-900.2007.

Page 113
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

[14]: Modélisation pluie-débit journalière par des modèles conceptuels et “boite noire” ; test
d’un modèle neuro-flou. Journal des Sciences Hydrologiques. 49(5). Octobre2004.

[15] : Y.Dodge.V.Rousson. Analyse de régression appliquée. Manuel et exercice corrigés.

2ème édition Dunod.

[16]: A new approach for estimating suspended sediment yield. Hydrology and Earth System
Sciences. 3(2), 285-294. 1999.

[17]: Franck Dernoncourt. La logique floue: entre raisonnement humain et intelligence

artificielle. Mémoire de FCS2. Janvier 2011.

[18] : E.J. Roose et F. Lelong. Les facteurs de l’érosion hydrique en Afrique tropicale, études
sur petites parcelles expérimentales de sol. Revue de géographie physique et de géologie
dynamique.1976.

Page 114
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Annexe

Première approche :

1/Echelle saisonnière

 Pas de temps mensuel

Automne Printemps Eté S.Sèche
Polynomial Puissance Polynomial Puissance Polynomial Puissance Polynomial Puissance
NASH(%) 29,44 29,86 19,31 19,60 36,39 36,43 25,27 25,30
RSR 0,83 0,83 0,89 0,89 0,79 0,79 0,86 0,86
wr²(%) 8,66 8,73 3,72 3,86 13,24 12,65 6,38 6,40
PBIAS(%) -0,003 -1,35 0,002 0,14 0,001 3,88 0,001 -0,008
Tableau 47 : Critères de validation de la régression (Qs, Ql) pour les différentes saisons.

 Pas de temps journalier

Automne Printemps Eté S.Sèche
Polynomial Puissance Polynomial Puissance Polynomial Puissance Polynomial Puissance
NASH(%) 62,43 64,32 70,83 72,75 75,69 75,69 57,35 59,65
RSR 0,61 0,59 0,54 0,52 0,49 0,49 0,65 0,63
wr²(%) 38,97 40,93 50,19 52,37 57,85 57,85 32,89 35,20
PBIAS(%) 0,004 -20,58 -0,009 -21,01 14,79 14,79 -0,01 -23,64
Tableau 48 : Critères de validation de la régression (Qs, Ql) pour les différentes saisons.

 Pas de temps horaire

Automne Printemps Eté S.Sèche
Polynomial Puissance Polynomial Puissance Polynomial Puissance Polynomial Puissance
NASH(%) 57,78 57,45 74,94 74,94 65,98 67,08 54,32 54,80
RSR 0,65 0,65 0,50 0,50 0,58 0,57 0,67 0,67
wr²(%) 34,55 35,44 54,97 54,77 43,43 44,39 30,42 31,51
PBIAS(%) 0,79 -10,33 1,67 -10,91 0,95 -7,19 0,85 -10,04
Tableau 49 : Critères de validation de la régression (Qs, Ql) pour les différentes saisons.

2/Echelle mensuelle

 Pas de temps mensuel

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly.
NASH(%) 70,32 31,36 30,93 14,09 9,81 74,53 98,83 62,82 37,50 35,50 44,62
RSR 0,54 0,82 0,83 0,92 0,94 0,50 0,10 0,60 0,79 0,80 0,74
wr²(%) 49,46 9,83 9,56 1,98 0,96 55,54 97,65 39,45 7,21 12,60 19,92
PBIAS(%) -0,005 0,007 0,04 -0,01 -0,008 0,007 0,05 0,02 0,01 0,002 -0,02
R²(%) 70,33 31,37 30,93 14,09 9,82 74,53 98,84 62,82 37,50 35,51 44,63

Page 115
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Puissa Puiss Puiss Puiss Puiss Puiss Puiss Puissa Puiss Puissa Puissa
nce. ance. ance. ance. ance. ance. ance. nce. ance. nce. nce.
NASH(%) 65,93 31,03 19,65 10,34 13,01 72,56 70,64 65,24 32,37 35,18 40,46
RSR 0,58 0,83 0,89 0,94 0,93 0,52 0,54 0,58 0,82 0,80 0,77
wr²(%) 48,42 9,83 3,46 0,95 1,54 57,52 47,89 62,02 2,04 12,70 15,51
PBIAS(%) 11,82 1,46 -3,10 -1,74 -2,45 16,62 -14,97 51,82 -5,83 3,25 -3,30
R²(%) 65,94 31,03 19,66 10,34 13,01 72,57 70,65 65,24 32,37 35,18 40,47
Tableau 50 : Critères de validation de la régression (Qs, Ql) pour tous les mois de l’année.

 Pas de temps journalier

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly.
NASH(%) 70,01 84,94 61,52 45,78 13,43 70,66 89,74 91,85 41,37 92,20 73,61
RSR 0,54 0,38 0,62 0,73 0,93 0,54 0,32 0,28 0,76 0,27 0,51
wr²(%) 53,91 72,16 37,85 20,95 1,08 49,94 80,54 84,38 17,11 85,02 54,18
PBIAS(%) -0,02 -0,01 -0,02 -0,001 -0,01 -0,008 -0,02 -0,005 0,003 0,003 -0,002
R²(%) 70,02 84,94 61,53 45,78 13,44 70,67 89,74 91,86 41,38 92,21 73,61

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Puissa Puiss Puiss Puiss Puiss Puiss Puiss Puissa Puiss Puissa Puissa
nce. ance. ance. ance. ance. ance. ance. nce. ance. nce. nce.
NASH(%) 70,01 86,80 63,03 46,01 11,10 70,62 89,45 92,01 42,18 92,58 73,72
RSR 0,54 0,36 0,60 0,73 0,94 0,54 0,32 0,28 0,76 0,27 0,51
wr²(%) 53,91 74,73 39,17 21,45 1,14 49,94 79,95 84,79 17,72 86,02 54,58
PBIAS(%) -0,02 -32,24 -28,13 7,04 -11,06 4,28 -1,11 7,24 -1,90 -0,08 2,97
R²(%) 71,63 86,80 63,04 46,02 11,10 70,63 89,45 92,02 42,19 92,59 73,73
Tableau 51 : Critères de validation de la régression (Qs, Ql) pour tous les mois de l’année.

 Pas de temps horaire

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly. Poly.
NASH(%) 71,52 87,70 69,56 56,13 20,45 79,05 87,66 88,08 47,58 77,84 78,18
RSR 0,53 0,35 0,55 0,66 0,89 0,45 0,35 0,34 0,72 0,47 0,46
wr²(%) 50,57 74,91 59,44 29,78 3,87 62,50 76,84 75,32 22,46 68,81 61,27
PBIAS(%) 0,57 2,88 -3,31 3,86 6,35 0,007 0,01 1,98 0,39 -4,23 -0,87
R²(%) 72,16 88,07 78,68 55,35 19,57 79,00 87,67 84,26 47,34 70,10 78,30

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Puissa Puiss Puiss Puiss Puiss Puiss Puiss Puissa Puiss Puissa Puissa
nce. ance. ance. ance. ance. ance. ance. nce. ance. nce. nce.
NASH(%) 71,55 88,27 71,26 56,41 20,01 79,71 87,65 87,47 47,74 78,30 78,71
RSR 0,53 0,34 0,53 0,66 0,89 0,45 0,35 0,35 0,72 0,46 0,46

Page 116
 Modélisation du transport solide par les modèles empirique et neuro-flou à différents pas de temps
ENP 2011/2012

wr²(%) 49,38 75,01 59,87 29,72 3,54 62,70 77,07 73,77 22,15 70,02 61,81
PBIAS(%) -11,22 -10,25 -8,41 -3,03 -2,07 -7,70 0,71 9,72 -6,67 -5,97 -3,18
R²(%) 72,19 88,66 79,02 55,58 18,85 79,66 87,66 83,94 47,49 71,11 78,82
Tableau 52 : Critères de validation de la régression (Qs, Ql) pour tous les mois de l’année.

Deuxième approche :

1/Echelle saisonnière

 Pas de temps horaire

Automne Printemps Eté S.Sèche
Puissance Puissance Puissance Puissance
NASH(%) 56,80 75,10 67,16 53,28
RSR 0,65 0,49 0,57 0,68
wr²(%) 31,41 55,54 64,79 27,67
PBIAS(%) -9,57 -7,46 -2,31 -9,31
Tableau 53 : Critères de validation de la régression (Qs, Ql) pour les différentes saisons.

2/Echelle mensuelle :

 Pas de temps journalier

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Puissa Puiss Puiss Puiss Puiss Puiss Puiss Puissa Puiss Puissa Puissa
nce. ance. ance. ance. ance. ance. ance. nce. ance. nce. nce.
NASH(%) 73,65 87,19 76,28 49,10 56,58 95,78 88,54 86,28 44,41 93,95 73,75
RSR 0,51 0,35 0,48 0,71 0,65 0,20 0,33 0,37 0,74 0,24 0,51
wr²(%) 52,93 75,10 56,57 24,35 32,78 90,20 80,50 75,65 19,39 88,02 55,70
PBIAS(%) -15,58 -15,01 -12,50 2,44 3,51 -2,25 4,90 0,37 0,74 0,24 0,51
R²(%) 73,66 87,19 76,29 49,11 56,85 95,78 88,54 86,29 44,42 93,96 73,75

 Pas de temps horaire

Fév Mars Avr Mai Juin Juil Août Sep Oct Nov Déc
Puissa Puiss Puiss Puiss Puiss Puiss Puiss Puissa Puiss Puissa Puissa
nce. ance. ance. ance. ance. ance. ance. nce. ance. nce. nce.
NASH(%) 70,48 88,24 74,13 55,82 25,34 81,14 83,16 87,25 45,50 90,38 78,33
RSR 0,54 0,34 0,50 0,66 0,86 0,43 0,40 0,35 0,73 0,31 0,46
wr²(%) 48,27 76,89 53,85 30,68 6,00 63,55 71,39 75,82 20,15 81,02 44,52
PBIAS(%) -10,32 -10,69 -8,13 -5,06 -3,84 -3,74 4,04 -1,11 -5,03 -4,76 0,29
R²(%) 70,48 88,24 74,14 55,82 25,34 81,15 83,16 57,26 45,51 90,39 78,33
Tableau 54 : Critères de validation de la régression (Qs, Ql) pour tous les mois de l’année.

Page 117