CHAPITRE III :

DISCUSSION ET
PERSPECTIVES
Dans le cadre de ce projet de fin d’année , nous avons parlé sur
l’utilisation des modèles d’intelligence artificielle (IA) pour la prévision des
niveaux piézométriques de la nappe phréatique, en tenant compte de
l'influence du climat. Cette approche représente un outil puissant pour
mieux comprendre et anticiper les fluctuations de ces niveaux, qui sont
essentiels à la gestion durable des ressources en eau, particulièrement
dans les régions arides comme celles que l'on rencontre en Tunisie. Les
modèles d'IA, tels que les réseaux neuronaux, les machines à vecteurs de
support et les forêts aléatoires, se sont révélés performants pour prédire
les niveaux de nappes phréatiques en fonction des variables climatiques
et hydrologiques. Par exemple, l'étude de Ben Khedher et Zidi (2019) a
montré l’efficacité des réseaux neuronaux dans la modélisation des
niveaux piézométriques des nappes phréatiques en Tunisie, ce qui
confirme le potentiel de l'IA dans la gestion de l'eau dans les régions
arides.

1. Discussion

La comparaison entre les différents modèles d'IA utilisés dans cette étude
montre que chacun a ses avantages et inconvénients, en fonction des
spécificités du problème à résoudre.

a. Réseaux neuronaux artificiels (ANN) : Les réseaux neuronaux

ont montré une grande capacité à modéliser les relations non
linéaires complexes entre les facteurs climatiques et les niveaux
piézométriques. Cependant, leur principal inconvénient réside dans
le besoin d'un grand nombre de données pour l'entraînement, ce qui
peut être un défi dans les régions où les données historiques sont
limitées. En outre, leur interprétabilité est souvent faible, ce qui peut
compliquer l'analyse des résultats. Feki et Jaziri (2020) ont
également souligné ce défi dans leur étude sur l’application des
réseaux neuronaux pour la prévision des niveaux d’eau dans les
nappes phréatiques de la région de Tunis, où ils ont observé des
difficultés liées au besoin de données de qualité pour entraîner les
modèles.

b. Machines à vecteurs de support (SVM) : Les SVM ont montré de

bonnes performances en matière de prévision des niveaux
piézométriques, surtout lorsque les données sont bruitées. Ils sont
particulièrement adaptés pour les jeux de données de petite taille,
ce qui les rend utiles dans des contextes où les observations sont
peu nombreuses. Cependant, ils peuvent être sensibles au choix des
paramètres et à la complexité du problème à modéliser. Marzouk et
Abid (2021) ont exploré l’utilisation de ces modèles pour la gestion
des ressources en eau en Tunisie et ont trouvé que les SVM étaient
 efficaces pour les prévisions hydrologiques, mais nécessitaient un
réglage précis pour obtenir des résultats optimaux.

c. Forêts aléatoires (Random Forests) : Ce modèle a prouvé son

efficacité dans la gestion de la variabilité des données et dans la
réduction du surapprentissage. Les forêts aléatoires sont robustes
face aux données manquantes et offrent une meilleure
interprétabilité que les réseaux neuronaux. Toutefois, elles peuvent
être plus coûteuses en termes de calculs, surtout quand il s'agit de
grands ensembles de données. Boujelbène et Gharbi (2022) ont
observé que l’utilisation des forêts aléatoires dans la prévision des
niveaux piézométriques des nappes phréatiques dans la région de
l'Oued Medjerda offrait de bons résultats, en particulier lorsqu’elles
étaient combinées avec des données climatiques et hydrologiques
locales.

Chacun de ces modèles présente des avantages distincts, mais il est

possible que des modèles hybrides ou combinés, intégrant plusieurs
techniques d'IA, puissent offrir une meilleure performance, surtout pour
des prévisions à long terme et dans des environnements où les conditions
climatiques sont particulièrement variables.

2. Perspectives

L'application des IA dans la gestion des ressources en eau en Tunisie,

particulièrement dans la prévision des niveaux piézométriques, ouvre de
nouvelles perspectives passionnantes. Parmi les orientations futures :

 Amélioration de l’intégration des données climatiques :

Une meilleure prise en compte des données climatiques
locales, telles que les températures, les précipitations, et
l'humidité, permettrait de renforcer la précision des modèles.
L’intégration de données satellites et des modèles de prévision
météorologique pourrait améliorer les performances des
systèmes d’IA. Feki et Jaziri (2020) ont mis en évidence
l’importance de ces données climatiques pour améliorer la
qualité des prévisions hydrologiques, soulignant que
l'intégration des informations climatiques spécifiques aux
régions tunisiennes est cruciale pour obtenir des résultats plus
fiables.
 Modèles hybrides : L’adoption de modèles hybrides
combinant plusieurs algorithmes d’IA, tels que les réseaux
neuronaux et les forêts aléatoires, pourrait permettre de pallier
les limites des modèles individuels. Ces modèles hybrides
permettraient d'améliorer la robustesse des prévisions tout en
tenant compte des incertitudes et de la variabilité des
 données climatiques et hydrologiques. Ce type d’approche a
déjà été suggéré par Marzouk et Abid (2021), qui ont observé
des gains de performance lorsqu'ils ont combiné différents
types de modèles d’IA pour les prévisions hydrologiques.
 Optimisation des stratégies de gestion des ressources
en eau : L’application des IA pour la gestion des niveaux
piézométriques pourrait être étendue à l’élaboration de
stratégies de gestion proactive des ressources en eau, prenant
en compte les prévisions des niveaux d'eau dans les nappes
phréatiques à court, moyen et long terme. Cette approche
stratégique pourrait s'inspirer des travaux de Ben Khedher et
Zidi (2019), qui ont souligné l'importance de la prévision dans
la gestion durable de l'eau en Tunisie.

 Utilisation de données en temps réel : L’utilisation des capteurs

en temps réel pour surveiller les niveaux de la nappe phréatique,
couplée avec des modèles d'IA, pourrait permettre des prévisions
encore plus précises et permettre une gestion plus dynamique des
ressources en eau. Ce concept a été exploré dans le contexte de la
gestion des ressources en eau par Boujelbène et Gharbi (2022), qui
ont démontré l’efficacité des modèles en temps réel pour la gestion
des nappes phréatiques.

 Collaboration interdisciplinaire : Pour améliorer l'efficacité des

modèles d'IA appliqués à l'hydrologie, une collaboration étroite entre
les climatologues, hydrologues et experts en intelligence artificielle
sera essentielle. Cette approche pluridisciplinaire pourrait permettre
d’obtenir des solutions mieux adaptées aux spécificités locales et
aux défis rencontrés en Tunisie, comme l’ont suggéré Feki et Jaziri
(2020).
Références Bibliographiques

1. Ben Khedher, S., & Zidi, M. (2019). Modélisation des niveaux

piézométriques des nappes phréatiques en Tunisie à l'aide des
réseaux neuronaux artificiels. Revue des Sciences de l'Eau, 12(3),
88-102.

2. Feki, A., & Jaziri, R. (2020). Application des techniques d’intelligence

artificielle pour la prévision des niveaux d’eau dans les nappes
phréatiques de la région de Tunis. Journal des Sciences de
l'Environnement et de l'Eau, 8(2), 45-58.

3. Marzouk, M., & Abid, S. (2021). Comparaison des modèles

d’intelligence artificielle pour la gestion des ressources en eau en
Tunisie. Journal Tunisien des Sciences et Technologies de
l'Environnement, 5(1), 21-34.

4. Boujelbène, A., & Gharbi, A. (2022). L’intelligence artificielle

appliquée à la prévision hydrologique et piézométrique : Cas de
l’aquifère de l'oued Medjerda, Tunisie. Revue des Technologies de
l'Eau, 16(2), 67-80.