See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/259007618

Les rseaux de neurones et la rgression multiple

en prdiction de l'rosion spcifique: Cas du
bassin hydrographique...

Article January 2013

CITATION READS

1 114

3 authors:

Chahrazed Salhi Bnina Touaibia

Ecole Nationale Suprieure d'Hydraulique Ecole Nationale Suprieure d'hydaulique. Blida
1 PUBLICATION 1 CITATION 35 PUBLICATIONS 67 CITATIONS

SEE PROFILE SEE PROFILE

Ayoub Zeroual
Universit du Qubec Trois-Rivires
8 PUBLICATIONS 2 CITATIONS

SEE PROFILE

All in-text references underlined in blue are linked to publications on ResearchGate, Available from: Bnina Touaibia
letting you access and read them immediately. Retrieved on: 16 November 2016
This article was downloaded by: [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia]
On: 01 November 2013, At: 12:01
Publisher: Taylor & Francis
Informa Ltd Registered in England and Wales Registered Number: 1072954 Registered office: Mortimer House,
37-41 Mortimer Street, London W1T 3JH, UK

Hydrological Sciences Journal

Publication details, including instructions for authors and subscription information:
http://www.tandfonline.com/loi/thsj20

Les rseaux de neurones et la rgression multiple

en prdiction de lrosion spcifique: cas du bassin
hydrographique Algrois-Hodna-Soummam (Algrie)
a b c
Chahrazed Salhi , Bnina Touaibia & Ayoub Zeroual
a
Office National de lIrrigation et du Drainage, LR-MVRE, El Marsa, Alger, Algrie
b
Ecole Nationale Suprieure dHydraulique, LR- MVRE, Blida, Algrie
c
Ecole Nationale Suprieure dHydraulique, LR GEE, Blida, Algrie
Published online: 06 Aug 2013.

To cite this article: Chahrazed Salhi, Bnina Touaibia & Ayoub Zeroual (2013) Les rseaux de neurones et la rgression
multiple en prdiction de lrosion spcifique: cas du bassin hydrographique Algrois-Hodna-Soummam (Algrie),
Hydrological Sciences Journal, 58:7, 1573-1580, DOI: 10.1080/02626667.2013.824090

To link to this article: http://dx.doi.org/10.1080/02626667.2013.824090

PLEASE SCROLL DOWN FOR ARTICLE

Taylor & Francis makes every effort to ensure the accuracy of all the information (the Content) contained
in the publications on our platform. However, Taylor & Francis, our agents, and our licensors make no
representations or warranties whatsoever as to the accuracy, completeness, or suitability for any purpose of the
Content. Any opinions and views expressed in this publication are the opinions and views of the authors, and
are not the views of or endorsed by Taylor & Francis. The accuracy of the Content should not be relied upon and
should be independently verified with primary sources of information. Taylor and Francis shall not be liable for
any losses, actions, claims, proceedings, demands, costs, expenses, damages, and other liabilities whatsoever
or howsoever caused arising directly or indirectly in connection with, in relation to or arising out of the use of
the Content.

This article may be used for research, teaching, and private study purposes. Any substantial or systematic
reproduction, redistribution, reselling, loan, sub-licensing, systematic supply, or distribution in any
form to anyone is expressly forbidden. Terms & Conditions of access and use can be found at http://
www.tandfonline.com/page/terms-and-conditions
 Hydrological Sciences Journal Journal des Sciences Hydrologiques, 58 (7) 2013 1573
http://dx.doi.org/10.1080/02626667.2013.824090

Les rseaux de neurones et la rgression multiple en prdiction de

lrosion spcifique: cas du bassin hydrographique Algrois-
Hodna-Soummam (Algrie)
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013

Chahrazed Salhi1 , Bnina Touaibia2 et Ayoub Zeroual3

1
Office National de lIrrigation et du Drainage, LR-MVRE, El Marsa, Alger, Algrie
chahrazedsalhi@gmail.com
2
Ecole Nationale Suprieure dHydraulique, LR- MVRE, Blida, Algrie
3
Ecole Nationale Suprieure dHydraulique, LR GEE, Blida, Algrie

Reu le 26 aot 2011; accept le 5 mars 2013; la discussion concernant cet article est ouverte jusquau 1er avril 2014

Editeur Z.W. Kundzewicz; Editeur associ G. Mah

Citation Salhi, C., Touaibia, B., et Zeroual, A., 2013. Les rseaux de neurones et la rgression multiple en prdiction de lrosion
spcifique: cas du bassin hydrographique Algrois-Hodna-Soummam (Algrie). Hydrological Sciences Journal, 58 (7), 15731580.

Rsum Dans ce travail, des modles de prvision de lrosion spcifique des bassins versants en insuffisance
voire en absence de jaugeages ont t labors, en fonction des paramtres climatiques, hydromorphomtriques
et de la couverture vgtale, au droit des sites de barrages et retenues collinaires dans le bassin trs rod quest
lAlgrois-Hodna-Soummam. Les paramtres rgissant lrosion ont t soigneusement slectionns sur la base
dune recherche bibliographique et regroups en deux catgories distinctes par le biais de lanalyse en composantes
principales. Deux mthodes statistiques ont t appliques: la premire, base sur la rgression multiple et la deux-
ime sur les rseaux de neurones artificiels. Des rsultats trs satisfaisants sont obtenus en testant, par validation
croise, la validit du modle neuronal compos de: lame coule, densit de drainage, pente moyenne du bassin
et prcipitation moyenne annuelle comme variables dentres avec un coefficient de dtermination de 0,81 et une
erreur quadratique moyenne de 0,19.
Mots clefs prvision; rosion spcifique; barrages; rgression multiple; rseaux de neurones; bassin versant Algrois-Hodna-
Soummam (AHS); Algrie

Neural networks and multiple regression approaches in the prediction of specific erosion: case of
the Algrois-Hodna-Soummam basin, Algeria
Abstract Predicting specific erosion at the basin scale is essential in order to help prevent or forecast soil loss
problems, water-quality degradation and the impairment of riparian ecosystems. In this study, models were defined
to predict specific erosion of an ungauged basin according to hydromorphometric parameters, climatic parameters
and vegetation cover, at the sites of dams and small dams in a highly eroded basin, the Algrois-Hodna-Soummam.
The governing characteristics were carefully selected based on literature survey, examined and grouped into two
zones by principal component analysis. Two methods were used: multiple regression and static neural networks.
Very satisfactory results were obtained in testing the validity of the neural networks model by cross-validation
the model being composed of: average annual flow, drainage density, average slope of basin, and average annual
rainfall in the input layerwith a determination coefficient of 0.81 and a mean square error of 0.19.
Key words prediction; specific erosion; dams; multiple regression; neural networks, Algrois-Hodna-Soummam (AHS) basin;
Algeria

INTRODUCTION et la capacit demmagasinement des barrages.

En Algrie septentrionale, lrosion hydrique est
Lrosion, phnomne trs complexe, li des trs caractristique, favorise par des conditions
facteurs naturels et anthropiques difficilement topographiques, physiques, gomorphologiques,
matrisables, affecte beaucoup les terres arables climatiques, hydrologiques et socio-conomiques

2013 IAHS Press

 1574 Chahrazed Salhi et al.
spcifiques. Cependant, la quantification des apports
solides dans les oueds reste peu aise, suite la vari-
abilit temporelle et spatiale du rgime hydrologique
conjugue une insuffisance de donnes disponibles
y affrant. Seule lapproche par la modlisation
des phnomnes drosion et du transport solide
permettra de mieux les aborder. En zone semi-aride,
plusieurs relations fonctionnelles liant lrosion
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013
aux paramtres explicatifs ont t mises au point,
savoir celle de Demmak (1984), Kassoul et al.
(1997) et Touabia et Achite (2003), ainsi que celle de
Achite et Meddi (2005). Des modles plus globaux
ont t dvelopps sous dautres climats, citons
ceux de Walling et Webb (1981) et de Ferguson
(1987). Quantifier et prdire lrosion spcifique,
en insuffisance, voir en labsence de donnes de
jaugeages reste le but principal de ce travail, con-
sistant en lutilisation des paramtres climatiques,
hydromorphomtriques et de couvert vgtal des
sous bassins au droit de 56 ouvrages (barrages,
petits barrages et retenues collinaires) envass ou en
cours denvasement, implants dans le bassin tudi
Algrois-Hodna-Soummam (AHS). La mthodolo-
gie adopte a consist dabord en lutilisation de
lanalyse en composantes principales (ACP) pour
mettre en vidence les affinits entre les diffrents
sites des ouvrages retenus et den dduire la zon-
alit par rapport aux diffrents paramtres utiliss.
Ensuite, des modles liant lrosion spcifique aux
paramtres climatiques, hydromorphomtriques et
de couverture vgtale ont t dvelopps par la
mthode de la rgression multiple sur les deux
zones distinctes identifies par lACP, alors que les
rseaux de neurones statistiques ont t appliqus sur
lensemble des donnes.
Le choix a port sur le bassin hydrographique
AHS, vu sa position gographique (Fig. 1), sa pop-
ulation en perptuelle croissance, son dveloppe-
ment conomique, son agriculture intensive et le
nombre important douvrages de mobilisation de la
ressource en eau existants. Il couvre une superfi-
cie de 47 875 km2 et il est limit au Nord par la
Mer Mditerrane, lOuest par le bassin du Cheliff-
Zahres, lEst par celui du Constantinois et au Sud
par le bassin du Sahara. Trois grands sous bassins ver-
sants le composent: Algrois, Hodna et Soummam.
Sa pluviomtrie moyenne annuelle fluctue entre 300
1500 mm au Nord dans la rgion ctire et 200
500 mm au Sud. Sa temprature moyenne mensuelle
oscille entre 6 et 12 C pour les minima et 16 et 25 C
pour les maxima (ABH 2004). Son climat varie du
type mditerranen sur le littoral et lAtlas tellien
semi-aride sur les hauts plateaux.
DONNES
La constitution de la banque de donnes a t
fastidieuse et a constitu ltape la plus dli-
cate. En dehors des enregistrements hydromtriques
raliss par lAgence Nationale des Ressources
Hydriques (ANRH), une enqute recensant ltat des
denvasement des ouvrages existants de mobilisation
deau a t ralise, pouvant apporter une infor-
mation sur la quantit de sdiments dposs. Les
ouvrages choisis, au nombre de 56, sont des bar-
rages, petits barrages et retenues collinaires. 20 sta-
tions pluviomtriques et 11 stations hydromtriques
situes dans lenvironnement des ouvrages tudis,
ont galement t slectionnes (Fig. 1). Le recours
limagerie satellitaire Landsat UTM+ en 2010 par
lInstitut National de Cartographie et de Tldtection
(INCT) avec une rsolution de 30 m 30 m, a per-
mis didentifier la surface occupe par le couvert
vgtal pour les sous bassins tudis. Linformation
est complte par des levs bathymtriques, afin
destimer les dpts de sdiments dans les cuvettes
de barrages. Pour les retenues collinaires complte-
ment envases, le recours la courbe topographique
(volumehauteur) a permis de quantifier les sdi-
ments dposs au cours de sa priode de service.
Application de lanalyse en composantes
principales (ACP)
Cinquante-six (56) individus (sites douvrages
retenus) et neuf variablesS: superficie du bassin
versant (km2 ), Per: primtre du bassin versant de
louvrage (km), H max: altitude maximale (m), H min:
altitude minimale (m), I m: pente moyenne du bassin
versant (%), D: densit de drainage (km/km2 ), C V (%):
couvert vgtal (%), P (mm): prcipitation moyenne
annuelle et (mm) Le (mm): lame couleont fait
lobjet dune ACP (mm). Les valeurs propres de la
matrice de corrlation, le pourcentage de la variance
explique et la variance cumule par chacun des axes
sont rsums dans le Tableau 1.
Les trois premires composantes, C1 , C2 et C3 ,
expliquant 74,07% de linformation totale, ont t
retenues. Les variables explicatives choisies sont
projetes sur les axes principaux C1 , C2 et C3 .
Quatre groupes de sites de bassins douvrages se
sont dgags: celui ayant une forte pluviomtrie,
une importante lame ruissele et une bonne couver-
ture vgtale, le second ayant dimportantes surfaces
des bassins, le troisime ayant une forte densit
de drainage et drosion spcifique et le quatrime
 Prdiction de lrosion spcifique au bassin AHS 1575
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013

Fig. 1 Bassin AHS et implantation des ouvrages dtude.

Tableau 1 Valeurs propres, pourcentage de variance et Zouaoua (4), Oued Skhouna (5), Frha
cumuls. (6), DAS Bourahla 1(7), DAS Bourahla
Axes C1 C2 C3 C4 C5 2(8), Kouanine (9), Naciria (10), Sidi
Daoud (11), Boussedoum (12), Ighil Libene
Valeurs propres 3,46 2,44 1,48 0,97 0,53 (19), Chabet Merdja (20), Gominsis (21),
Variances expliques (%) 34,56 24,68 14,84 9,70 5,33
Variances cumules (%) 34,56 59,24 74,07 83,77 89,10 Djedala (22), Bouchiouane (23), Bergoug
(29) et Draout (33);
(ii) ayant une importante surface relativement
aux autres; il sagit de : Beni Amrane (1) et
ayant un faible ruissellement. La projection des indi- Ain Zada (2); et
vidus sur les axes principaux C1 C2 et C1 C3 laisse (iii) ayant une lame coule faible.
apparatre: (b) Sur le plan C1 C3 (Fig. 2(b)) met gale-
ment en vidence trois groupes de bassins
(a) Sur le plan C1 C2 (Fig. 2(a)), trois ensembles douvrages:
(groupes) de bassins douvrages sont mis en (i) ayant des fortes valeurs de prcipitation,
valeur: de lame coule et de couvert vg-
(i) ayant des fortes valeurs de prcipitation tal, savoir: Taksebt (3), Ain Zouaoua
moyenne, de lame coule et de couvert (4), Oued Skhouna (5), Frha (6), DAS
vgtal, il sagit de: Taksebt (3), Ain
 1576 Chahrazed Salhi et al.

Bourahla 1 (7), DAS Bourahla 2 (8), LACP a permis de mettre en vidence les affinits
Kouanine (9), Naciria (10), Sidi Daoud entre les diffrents sites des ouvrages retenus et den
(11), Boussedoum (12), Ighil Libene dduire les paramtres qui les caractrisent au mieux.
(19), Chabet Merdja (20), Gominsis Sur la base des regroupements donns par lACP et
(21), Djedala (22), Bouchiouane (23) et pour mettre en vidence cette zonalit par rapport aux
Bergoug (29); diffrents paramtres utiliss, deux groupes de sites
(ii) form par le bassin de Draout (33), distincts se sont dgags: le premier groupe, ayant
reprsente une forte densit de drainage et des fortes valeurs de prcipitation, de lame coule
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013

drosion spcifique relativement aux autres et de couvert vgtal, reprsent par 17 ouvrages et
bassins; et le deuxime groupe, ayant une faible lame coule,
(iii) ayant une faible lame coule. reprsent par 37 ouvrages. Les rsultats sont rsums
dans le Tableau 2.

6.0
(a) C2
1 24,68 %
de la variance
totale
5.0

2 4.0

3.0
3
2

2.0

1
1.0
3
23 4 7
21
51 41 42 0.0 54 22 12 9
16 8
2 36 38 50
28 4544 5630 55 29 5
20 19 10 2 11
17 27 14 481518 C1
35 17 31 53 26 13 3952 4024 25 47 6
34 4346 49 34,56%
37
33 de la variance
1.0 totale

2.0

C3 6.0
(b) 14,84 % 33
de la variance
totale
5.0 2

4.0

3.0

2.0
37
26

1.0
2 3 3431 47 1 3
13 52 8 7
1
35 39 4346 12
36 17 28
17 4024 19 10 11
51
38 2742 0.0 49
2 25 2
50 21 6 C1
4144 56 15 22 20
14 48 54 34,56%
53 45 1855 29 5 23 9
16
1.0
30 de la variance
totale
4
2.0

Fig. 2 Projection des individus sur le plan des axes principaux (a) C1 C2 , et (b) C1 C3 .
 Prdiction de lrosion spcifique au bassin AHS 1577

Tableau 2 Etendues des paramtres des deux groupes identifis par lACP.
S Per H max H min P Le D Im CV
(km2 ) (km) (m) (m) (mm) (mm) (km/km2 ) (%) (%)

Premier groupe
Moyenne 33,69 13,78 665 305 631 140 3,21 22,00 26,26
Maximum 454,24 101,16 2150 560 903 431 4,72 47,70 64,96
Minimum 0,18 1,61 169 60 257 35 0,88 6,42 0,01
Deuxime groupe
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013

Moyenne 8,44 11,70 1000 755 384 48 2,95 14,78 7,99

Maximum 47,00 30,00 1400 1120 780 175 4,91 22,70 32,28
Minimum 0,58 3,06 236 140 179 15 1,40 7,00 0,01

Application de la rgression multiple (RM) o n est la taille de la srie; p est le nombre de

variables explicatives; MSEj est lerreur quadratique
Lanalyse de la rgression pas pas a permis
moyenne pour un modle j variables explicatives;
didentifier la relation fonctionnelle reliant lrosion
et MSE est lerreur quadratique moyenne du modle
spcifique (Es) aux diffrentes variables explicatives.
complet.
Les variables sont introduites, une une, donnant
Si le bon modle est choisi, lestimation nest pas
ainsi, des modles une ou plusieurs variables.
biaise, le Cp sera proche de (p + 1), et si le Cp vaut
Les variables introduites sont celles qui possdent
(p + 1), la mme prcision que la rgression globale
le meilleur coefficient de Fisher-Snedecor pour une
sera obtenu (MSEj = MSE).
erreur = 5%. Le choix du modle retenu est
Les modles choisis sont respectivement for-
bas sur le coefficient de dtermination (R2 -ajust),
muls par les relations (2) et (3) pour le premier et
lerreur quadratique moyenne (MSE) et le Cp de
le deuxime groupe:
Mallows (Tableau 3). Ce dernier propos par Mallows
(1973) cit dans Sinnakaudan et al. (2006), est bas
sur la recherche des rgresseurs ayant le meilleur
pouvoir prdictif, cest dire la plus petite erreur
moyenne totale. En effet, si les rgresseurs sont Es = 0,04 Per-0,57 P1,23 Le0,72 (2)
ajouts, le biais des estimations sera moindre mais
les variances des estimations avec lerreur moyenne
totale seraient leves (Daniel et Wood 1980).
Es = 1348,18D 132,19Im
Lexpression de Cp de Mallows est formule par:
19,69S + 15,86CV + 1,01Hmin (3)
MSEj
Cp = (n p 1) [n 2(p + 1)] (1) + 4,28Le 1338,95
MSE

Tableau 3 Rsultats de la rgression multiple.

Variables Es (premier groupe) Variables Es (deuxime groupe)
2 2
R R -ajust Cp MSE R2 R2 -ajust Cp MSE

Rgression linaire multiple:

P 0,51 0,51 2,89 1 142 596 D 0,32 0,32 4,20 1 304 677
P, D 0,69 0,67 0,40 793 253 D, Im 0,45 0,43 0,38 1 104 224
P, D, Le 0,74 0,70 0,02 714 425 D, Im , S 0,47 0,44 0,21 1 069 539
P, D, Le H min 0,77 0,72 1,00 680 012 D, Im , S, CV 0,49 0,44 1,10 1 077 481
D, Im , S, CV , H min 0,51 0,45 2,60 1 092 290
D, Im , S, CV , H min, Le 0,53 0,45 4,10 1 108 513
Rgression multiple non linaire:
Per 0,45 0,45 37,41 0,73 D 0,42 0,42 0,07 1,07
Per, Le 0,72 0,70 14,88 0,39 D, Im 0,52 0,51 1,44 0,97
Per, Le, P 0,86 0,84 6,24 0,24 D, Im , CV 0,55 0,52 0,65 0,97
Per, Le, P CV 0,92 0,90 0,80 0,13 D, Im , Cv, P 0,56 0,52 0,91 0,99
 1578 Chahrazed Salhi et al.

Application de la mthode des rseaux de le rseau nait pas combiner des distributions trs
neurones artificiels (RNA) diffrentes.
Plusieurs modles de RNA possibles ont t
Depuis une dizaine dannes, lapplication des RNA
construits et examins, en se basant sur les combi-
en hydrologie a considrablement volu, notam-
naisons possibles des paramtres afin doptimiser et
ment pour la prvision des dbits (Coulibaly et al.
daffiner le modle retenir. Pour atteindre cet objec-
2000). Les rseaux de neurones artificiels (RNA) sont
tif, on a fait varier le nombre de neurones et les
des modles mathmatiques non linaires de type
fonctions de transfert dans la couche cache (fonc-
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013

black-box (bote noire). Leur principe repose sur

tions logsigmode et tangente sigmode). De ce fait,
lapprentissage la manire des rseaux de neurones
il est ncessaire dajuster les paramtres du modle
biologiques dont ils tirent leur nom. Lapprentissage
pour obtenir une performance optimale. La base de
donne la capacit dapprocher un phnomne partir
donnes disponibles a t divise en deux, soit 80%
des couples entre-sortie enregistrs sur un systme.
pour le calage des poids et des biais et 20% pour la
Le perceptron multicouche (PMC) est le type
validation. Lors de ltape dapprentissage, lrosion
de RNA le plus rpandu en prvision hydrologique
spcifique a t compare avec la rponse du mod-
car il est particulirement adapt au traitement
le. Ensuite, la drive dune fonction nomme cot,
dinformation vectorielle (Rosenblatt 1958). Les
base sur la variance de lerreur, a t calcule et
rseaux de neurones utiliss dans la prsente tude
les poids et biais du rseau ont t modifis en con-
sont constitus de trois couches: entre, cache et
squence (Nohair et al. 2008). La mthode la plus
sortie (Fig. 3). La couche dentre est constitue de
utilise pour dterminer ces drives est la mthode
toutes les entres du modle. Chacune de ces entres
de rtropropagation de lerreur utilisant lalgorithme
est transmise tous les neurones de la couche cache
de Levenberg-Marquardt, qui assure la meilleure con-
o elle est pondre par un poids (Wij ) multipli-
vergence vers un minimum derreur quadratique pour
catif. Un biais (0 ou 1) est additionn la somme
les problmes dapproximation des fonctions (ou
des entres pondres pour produire un rsultat inter-
rgression) o le nombre des poids du rseau est
mdiaire modul par une fonction de transfert, puis
restreint (Norgaaed, 1997).
transmis aux neurones de la couche de sortie o elle
Une fois le calage ralis, les donnes conserves
est pondre par un poids (Wjk ) et o se rptent les
pour la validation ont t fournies au rseau. Cette
mmes oprations menant aux sorties du modle (la
fois, seuls les vecteurs dentre ont t transmis au
couche de sortie comportera autant de neurones que
modle et non les valeurs cibles prvoir. La perfor-
de variables modliser).
mance du modle peut tre value grce plusieurs
Pour prdire lrosion spcifique au droit des
indicateurs, parmi lesquels, nous avons retenu lerreur
ouvrages retenus, les caractristiques,climatiques,
quadratique moyenne (MSE) et le coefficient de dter-
hydromorphomtriques et de couverture vgtale de
mination R2 entre lrosion spcifique observe et
56 ouvrages sont prises en considration lentre
lrosion spcifique simule par le modle RNA.
du rseau. Les vecteurs dentres ainsi que le vecteur
Le modle le plus performant a t obtenu pour
contenant les valeurs cibles obtenir en sortie
quatre variables dentres (P, Le, D, Im ), un nombre
sont centres et rduites avant dtre exploits afin
de neurones de quatre dans la couche cache avec la
dobtenir des distributions centres unitaires pour que
fonction de transfert tangente sigmode et un neurone

Fig. 3 Architecture du modle neuronal choisi.

 Prdiction de lrosion spcifique au bassin AHS
RNA avec bootstrap R2 = 0.65
6 000
RNA R2 = 0.81
Erosion simule (t/km )
2
4 000
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013
2 000
0
0 2000 4000
Erosion observe (t/km2)
Fig. 4 Erosion simulerosion observe.
dans la couche de sortie avec une fonction de trans-
fert linaire, ce qui correspond au minimum derreur
de MSE par la validation croise (MSE = 0,19). Les
rsultats obtenus montrent une trs bonne concor-
dance explique par un coefficient de dtermination
significatif (R2 = 0,81) entre lrosion spcifique
observe et lrosion spcifique simule par le mod-
le RNA (Fig. 4) donc un coefficient de corrlation
significatif au vu du coefficient de corrlation critique
de la table de Fisher (Dagnelie 1992).
La base de donnes a t divise en deux phases.
Pour rpondre aux objectifs de cette stratgie adapte
un chantillon deffectif trop restreint et faire face
au problme de sur-apprentissage ( overfitting ),
la mthode du bootstrap a t utilise pour la
simulation des sries de taille suffisante partir de
lchantillon initial (trop rduit), pour lutiliser dans
la phase apprentissage et test afin de rduire la
variance et amliorer la prcision de la prdiction
(Zeroual et al. 2010). Le bootstrap propos par Efron
(1993) est une technique aujourdhui trs tudie dans
le cadre de linfrence statistique, notamment pour les
problmes pour lesquels les chantillons dexemples
sont de petite taille. Le nombre dchantillons de
bootstrap N, considrs comme tant des variables,
a t choisi aprs plusieurs essais, de telle sorte que
les rseaux tablis soient optimiss.
Tableau 4 Comparaison de MSE et R2 des modles de RNA et RM.
Rgression multiple
linaire
MSE 1 108 513
R2 0,53
1579
Le modle le plus performant a t obtenu
avec 170 chantillons de bootstrap utiliss pour
lapprentissage et le test et les 56 ouvrages retenus
sont utiliss pour la validation, ce qui correspond
un minimum derreur de MSE (MSE = 0,13). Les
donnes de lrosion spcifique simules et observes
forment un nuage des points situs autour de la
droite (y = x) (Fig. 4), avec une bonne concordance
explique par un coefficient de dtermination signifi-
catif (R2 = 0,65).
Le Tableau 4 illustre la comparaison des MSE
6000
et les coefficients de dtermination R2 obtenus par
les deux modles de prvision RNA et RM. Ces
deux paramtres indiquent la meilleure performance
et convergence du modle des rseaux de neurones
par rapport la rgression multiple, lerreur de la
prvision de lrosion spcifique des cours deau par
la rgression multiple linaire restant considrable.
CONCLUSION
Ce travail a t effectu dans le but de prvoir
lrosion spcifique partir dun maximum de carac-
tristiques de forme du bassin, des paramtres clima-
tiques et du couvert vgtal laide de deux mthodes
prcises qui sont: la mthode des rseaux de neurones
(RNA) et la rgression multiple (RM). Les rsul-
tats de la modlisation et la prvision de lrosion
spcifique annuelle obtenus en utilisant le modle
neuronal, partir des entres (centres et rduites):
densit de drainage D (km/km2 ), pente moyenne
du bassin Im (%), prcipitation moyenne P (mm)
et lame coule Le (mm), montrent une trs bonne
concordance explique par un coefficient de dtermi-
nation R2 significatif (0,81) et une erreur quadratique
moyenne (MSE) de 0,19. Par comparaison avec le
modle plus classique quest la regression multi-
ple (RM) appliqu sur les mmes donnes utilises
dans la mthode neuronale, les rsultats obtenus
indiquent que les modles connexionnistes poss-
dent un meilleur pouvoir prvisionnel. La statistique
apporte par le bootstrap permet le contrle automa-
tique de larrt de lapprentissage et fournit une
statistique robuste de lerreur de prvision.
Rgression multiple non RNA RNA avec
linaire bootstrap
0,24 0,19 0,13
0,86 0,81 0,65
 1580 Chahrazed Salhi et al.
Metra Nota Cet article est une version rvise
dune prsentation un atelier scientifique sur le
thme Relations homme/environnement et trans-
ports solides : une approche spatialise qui a
eu lieu Tipaza, Algrie, les 7 et 8 juin 2011,
dans le cadre du programme SIGMED (Approche
spatialise de limpact des activits agricoles au
Maghreb sur les transports solides et les ressources
Downloaded by [Ecole Nationale Sup d'Hydrauliq], [Professor Bnina Touaibia] at 12:01 01 November 2013
en eau des grands bassins versants), soutenu
par lAgence Universitaire de la Francophonie
(MeRSI 6313PS005) et co-sponsoris par le pro-
gramme MEDFRIEND de lUNESCO (Programme
Hydrologique International).
REFERENCES
Achite, M. et Meddi, M., 2005. Variabilit spatio-temporelle des
apports liquide et solide en zone semi-aride. Cas du bassin ver-
sant de lOued Mina. Revue des Sciences de lEau, 18, 3756.
http://www.rse.inrs.ca/art/volume18/v18nS_37.pdf
ABH (Agence de Bassin Hydrographique), 2004. Elaboration du
cadastre hydraulique du bassin hydrographique A-H-S (bassin
ctiers Algrois, bassin Soummam, bassin Hodna et bassin
Isser), Alger. Alger: Ministre des Ressources en Eau (MRE),
Rapport interne.
Coulibaly, P., Anctil, F., et Bobe, B., 2000. Daily reservoir fore-
casting using artificial neural networks with stopped training
approach. Journal of Hydrology, 230, 244257.
Dagnelie, P., 1992. Statistique thorique et applique, Tome 1: Les
bases thoriques. Paris: Gembloux, Presses agronomiques.
Daniel, C. et Wood, F.S., 1980. Fitting equations to data. Second
edition. New York: John Wiley & Sons, Inc.
Demmak, A., 1984. Recherche dune relation empirique entre les
apports solides spcifiques et les paramtres physico clima-
tiques des bassins: Cas Algrien. Dans: D.E. Walling, S.S.D.
Foster et P. Wurzel, eds. Challenges in African hydrology and
water resources (Harare symposium, juillet 1984). Wallingford,
UK: IAHS Press, IAHS Publ 144, 403414. http://iahs.info/
redbooks/a144/iahs_144_0403.pdf [accd le 8 juillet 2013]
Efron, B. et Tibshirani, R.J., 1993. An introduction to the bootstrap.
New York: Chapman and Hall.
Ferguson, R.I., 1987. Accuracy and precision of methods for esti-
mating river load. Earth Surface Processes and Landforms, 12,
95104.
Kassoul, A., Abdelkader, A., et Belorgey, M., 1997. Caractrisation
de la sdimentation des barrages en Algerie. Revue des Sciences
de lEau, 10 (3), 339358. http://www.rse.inrs.ca/art/volume10/
v10n3_339.pdf [accd le 8 juillet 2013]
Nohair, M., St-Hilaire, A., et Ouarda, T.B., 2008. Utilisation des
rseaux de neurones et de la rgularisation baysienne en
modlisation de la temprature de leau en rivire. Revue
des Sciences de lEau, 21 (3), 373382. http://www.erudit.
org/revue/rseau/2008/v21/n3/018783ar.pdf [accd le 8 juillet
2013]
Norgaaed, M., 1997. Neural network based system identification tool-
box version 1.1 for use with MATLAB. Lyngby, Denmark:
Technical University of Denmark, Department of Automation,
Report no. 97.
Rosenblatt, F., 1958. The perceptron: a probabilistic model for infor-
mation storage and organization in the brain. Psychological
Review, 65, 386408.
Sinnakaudan, S., et al., 2006. Multiple linear regression model
for total bed material load prediction. Journal of Hydraulic
Engineering. 132 (5), 521528.
Touaibia, B. et Achite, M., 2003. Contribution un essai car-
tographique de lrosion spcifique du bassin versant de
lOued Mina en Zone Semi-aride de lAlgrie septen-
trionale. Hydrological Sciences Journal / Journal des
Sciences Hydrologiques,48 (2), 235242. http://iahs.info/hsj/
482/hysj_48_02_0235.pdf [accd le 8 juillet 2013]
Walling, D.E. et Webb, D.W., 1981. The reliability of suspended
sediment load data. Dans: D. Walling et P. Tacconi, eds.
Erosion and sediment transport measurement / Mesure de
lrosion et du transport des sediments. Wallingford, UK: IAHS
Press, IAHS Publ. 133, 177194. http://iahs.info/redbooks/
a133/iahs_133_0177.pdf [accd le 8 juillet 2013]
Zeroual, A., Touaibia, B., et Ammari, A., 2010. Application des
rseaux de neurones en insuffisance de jaugeage pour le
tarage: cas du Ctier Algrois. Dans: E. Servat et al. eds.
Global change: Facing risks and threats to water resources
(6th World FRIEND Conference, Fez, Maroc, 2529 octo-
bre 2010). Wallingford, UK: IAHS Press, IAHS Publ. 340,
409417.