Actes - Climato.be

25 ème Colloque de l’Association Internationale de Climatologie, Grenoble 2012meilleure représentation du phénomène, ce qui veut dire que ce dernier est plus précis quel’algorithme du premier ordre. On constate donc qu’avec l’algorithme de premier ordre on aune approximation grossière des données par rapport à celle obtenue en utilisant l’algorithmede second ordre.Tableau 2. Erreur quadratique moyenne (EQM) et coefficient de corrélation (R) après apprentissage et test.Taille de la fenêtretemporelleApprentissageTestEQM R EQM R2 0,14 0,59 0,22 0,383 0,13 0,65 0,19 0,464 0,09 0,72 0,18 0,51ConclusionCe travail avait pour but de contribuer à la modélisation et la prévision des précipitationsdans la région de Tizi Ouzou en utilisant le TDNN. Les résultats obtenus nous ont permis deprouver la robustesse de notre modèle. Par ailleurs, l’exploitation de TDNN pour lamodélisation et la prévision des données non dépourvues de leurs tendances ou de leursfluctuations saisonnières paraît satisfaisante. Nous avons mis en évidence l’intérêt d’avoirrecours à l’utilisation d’un algorithme d’apprentissage du premier ordre. Mais, le passage à unalgorithme d’apprentissage du second ordre permet d’avoir une meilleure représentation duphénomène. Nous avons constaté aussi que la taille de la fenêtre temporelle et le délai àl’entrée du TDNN influencent la capacité de mémorisation de façon significative. Ainsi, plusla taille de la fenêtre augmente, plus la capacité de mémorisation s'accroît. Par conséquent,dans le cas des précipitations, leur état futur va dépendre de plusieurs états précédents.Cependant une capacité de mémorisation trop importante pourrait nuire au pouvoir degénéralisation du TDNN, les données de précipitations forment un processus aléatoire dont ladurée de vie est courte. Aussi, il serait intéressant d’appliquer le TDNN à des séquences dedonnées collectées à la cadence de l’heure et de la journée. De plus, ce réseau présente desdifficultés lorsqu'il s'agit de prévoir les valeurs de pic. Pour remédier à cet inconvénient, ilfaudrait disposer de données plus nombreuses pour l’apprentissage du TDNN.Références bibliographiquesCoulibaly P., Anctil F. et Bobée B., 1999 : Prévision hydrologique par réseaux de neurones artificiels : état del’art. CNRC Canada, Can. J. Civ. Eng., Vol. 26.Dreyfus G., Martinez J. M., Samuelides M., Gordon M. B., Badran F.,Thiria S., Hérault L., 2002 : Réseaux deneurones : Méthodologie et applications. Eyrolles, Paris.French M., Krajewski W., and Cuykendal R R., 1992 : Rainfall forecasting in space and time using a neuralnetwork. J. Hydrol., 137, 1-31.G. Box, G. M. Jenkins, G. Reinsel, 1994 : Time Series Analysis: Forecasting & Control. 3 rd ed., Prentice Hall.Hung N. Q., Babel M. S., Weesakul S. and Tripathi N. K., 2009 : An artificial neural network model for rainfallforecasting in Bangkok, Thailand. Hydrol. Earth Syst. Sci., 13, 1413-1425.Maier. R. H and Dandy. G. C., 1999 : Comparison of various methods for training feed-forward neural networkfor salinity forecasting. Water Resources Research, 35(8), 2591-2596.Waibel A., 1989 : Modular construction of Time Delay Neural Networks for Speech Recognition. Neuralcomputation, 1, 39-46.122