Actes - Climato.be

25 ème Colloque de l’Association Internationale de Climatologie, Grenoble 2012PRÉVISION DES PRÉCIPITATIONS MENSUELLES PAR TIMEDELAY NEURAL NETWORKKhalida BENMAHDJOUB 1 , Zohra AMEUR 1 , Abd El Hamid ADANE 2 et SoltaneAMEUR 11 Université Mouloud MAMMERI (UMMTO), Laboratoire d’Analyse et de Modélisation des PhénomènesAléatoire (LAMPA), Département d’Electronique, Faculté de Génie Electrique et d’Informatique, BP 17 RP,Tizi-Ouzou, Algérie. khalidabenmahdjoub@yahoo.fr, z_ameur@ummto.dz , ameursoltane@ummto.dz .2 Université des Sciences et de la Technologie d’Alger (U.S.T.H.B.), Faculté d’Electronique et d’Informatique,Laboratoire Traitement d’Images et Rayonnement, BP 32 El Alia, Bab Ezzouar 16111, Algérie.aadane@usthb.dz.Résumé : Ce travail porte sur la modélisation et la prévision des séries temporelles de précipitations dans larégion de Tizi Ouzou par Time Delay Neural Network (TDNN). Pour ce faire, nous avons traité des donnéesmensuelles de précipitations, relevées à la station météorologique de Tizi Ouzou (modèle monosite) pendant lapériode 1996-2010. Pour effectuer la prévision des pluies, le TDNN a été utilisé en considérant deuxalgorithmes d’apprentissage : l’algorithme du premier ordre (gradient récursif avec la contrainte de poidspartagée) et l’algorithme du second ordre (algorithme de Lavenberg-Marquardt). Les meilleures prévisions desprécipitations sont obtenues lorsqu’on a utilisé l’algorithme du second ordre, ce qui signifie que ce dernierpermet d’avoir une meilleure représentation du phénomène.Mots-clés : Prévision, précipitations, réseaux de neurones, TDNN.Abstract: Precipitation forecasting using time delay neural network.This work focuses on modeling and forecasting of time series of rainfall in the region of TiziOuzou by TimeDelay Neural Network (TDNN). For that, monthly rainfall data measured at the meteorological station of TiziOuzou (monosite model) during the 1996/2010 period are processed. To forecast rainfall, TDNN is used byconsidering two learning algorithms: the first order algorithm (recursive gradient with the constraint of sharedweights) and the second-order algorithm (Lavenberg-Marquardt algorithm). Best forecast of rainfall areobtained when used the second-order algorithm, which means that it provides a better representation of thephenomenon.Keywords: Forecast, Rainfall, Neural network, TDNN.IntroductionEn général les phénomènes météorologiques, sont pour la plupart, des processus aléatoireset persistants. Ces phénomènes se prêtent bien à leur modélisation par des approchesrécursives telles que celles basées sur les chaînes de Markov, les processus autorégressifs, lesalgorithmes génétiques et les réseaux de neurones (Waibel, 1989 ; French et al., 1992 ;Jenkins et al.,1994 ; Maier et al., 1999 ; Dreyfus et al., 2002 ; Hung et al., 2009). Les réseauxde neurones ne posent aucune hypothèse restrictive. Ce sont des modèles adéquats pour lesséries présentant de larges variations d’amplitude à des périodes irrégulières et les séries àfortes cyclicité. Ils sont capables de capter et de reproduire la variabilité et les effets desaisonnalité qui existent dans certaines séries chronologiques (Coulibaly et al., 1999). Dansces conditions, les réseaux de neurones à décalage de temps de type Time Delay NeuralNetwork (TDNN), ont été appliqués à la modélisation et à la prévision des précipitations dansla région de Tizi Ouzou. Comparativement aux réseaux de neurones classiques, le TDNN estplus rapide et plus efficace. Dans les prochaines sections, le TDNN est décrit et les résultatsobtenus en traitant les données de pluie de la région de Tizi Ouzou, sont présentés etcommentés.1. Les réseaux de neurones à décalage de temps (TDNN)L’objectif principal de ce travail est la prévision des précipitations du mois à venir defaçon à anticiper la gestion de la ressource en eau sur la région d’intérêt dont le vecteur de117