Actes - Climato.be

25 ème Colloque de l’Association Internationale de Climatologie, Grenoble 2012Où est un paramètre constant strictement supérieur à zéro, H est la matrice hessienne ou ladérivée seconde par rapport aux paramètres.3. RésultatsLes précipitations forment un processus météorologique, aléatoire, dynamique et nonlinéaire. Elles présentent donc des caractéristiques très variables au cours du temps et laprévision devient alors compliquée pour ce genre de phénomène. Pour soustraire cephénomène aux variations saisonnières, le taux de précipitations a été normalisé en le divisantpar sa valeur maximum. Le TDNN a été choisi pour tester notre base de données et les figures3, 4, 5, 6 et 7 ainsi que les tableaux 1 et 2 décrits ci-après, illustrent les résultats obtenus.3.1. Apprentissage du premier ordreLes figures 3 et 4 ainsi que le tableau 1, illustrent les résultats obtenus en utilisantl’algorithme du gradient récursif avec contrainte de poids partagés.(a) Apprentissage (période : 1996/2008). (b) Test (période : 2009/2010).Figure 3 : TDNN avec fenêtre temporelle de taille 2.(a) Apprentissage (période : 1996/2008). (b) Test (période : 2009/2010).Figure 4 : TDNN avec fenêtre temporelle de taille 3.Tableau 1 : Erreur quadratique moyenne (EQM) et coefficient de corrélation (R) après apprentissage et test.Taille de la fenêtretemporelleApprentissageTestEQM R EQM R2 0,17 0,48 0,24 0,373 0,15 0,57 0,21 0,41Les résultats obtenus montrent qu’avec l’algorithme de premier ordre la précision de laprévision augmente lorsqu’on augmente la taille de la fenêtre temporelle. Cependant, quandon dépasse la largeur de taille trois, on trouve que le coefficient de corrélation diminuenotablement tandis que l’erreur d’estimation augmente. Ce résultat fixe à trois la taille120