Modélisation pluie-débit en région tropicale humide : application des réseaux de neurones sur quatre stations hydrométriques du Bandama Blanc (Bada, Marabadiassa, Tortiya et Bou) situées au Nord de la Côte d'Ivoire. Thèse de l'Universit

La relation pluie-débit fait l'objet de nombreuses études, à cause de son importance dans la mise en œuvre de nombreux projets de développement. La communauté scientifique, dans le souci de faire face aux problèmes d'eau, tels que les inondations et les sècheresses, utilise différents modèles. Mais ces modèles sont généralement confrontés à la non-linéarité de la relation pluie-débit. Dans le cas du Bandama Blanc, objet de cette étude, cette non-linéarité est accentuée par la présence de plusieurs barrages à vocation agro-pastorale situés dans la partie nord de la zone d'étude et qui utilisent les eaux de ce fleuve. Ce mémoire de thèse traite donc de la modélisation des débits mensuels du Bandama Blanc, aux stations de Bada, Marabadiassa, Tortiya et Bou, à l'aide des réseaux de neurones, déjà éprouvés dans ce contexte de relation non-linéaire. Elle projette de fournir des outils plus robustes aux hydrologues africains pour la simulation et la prévision des débits des rivières jaugées. Pour atteindre cet objectif, deux Perceptrons Multicouches entraînés avec l'algorithme de la rétropropagation de l'erreur ont été construits. Le premier modèle a été utilisé seulement en simulation et le second en simulation et en prévision. Le modèle conceptuel GR2M, a été utilisé pour valider les résultats obtenus avec les réseaux de neurones. Pour cette étude, une importante base de données climatiques (pluie et température) et hydrométriques (débits mensuels) a été utilisée. Les résultats obtenus sont forts satisfaisants et nettement supérieurs à ceux obtenus avec le modèle conceptuel global GR2M. En effet, les réseaux de neurones parviennent à expliquer plus de 70 % de la variation des débits, avec des coefficients de corrélation de Pearson qui excèdent 0,80. Cependant ces modèles arrivent difficilement à simuler et à faire la prévision des débits extrêmes (étiages et crues), à cause probablement du nombre réduit de données à notre disposition et de la séparation des bases de calage et de validation. The rainfall-runoff relationship is the subject of many studies because of its importance in the implementation of many development projects. The scientific community, in order to cope with water problems such as floods and droughts, used different models. But these models are usually faced with the non-linearity of the rainfall-runoff relationship. In the case of the Bandama Blanc purpose of this study, this non-linearity is enhanced by the presence of several agro-pastoral dams located in the northern part of the study area and using the waters of this river. This thesis therefore deals with the modeling of flows of Bandama Blanc hydrometric stations (Bada Marabadiassa, Tortiya and Bou) using neural networks already experienced in the context of non-linear relationship. It plans to provide more robust tools to African hydrologist in the simulation and forecasting of river flows. To achieve this goal, two Multilayer Perceptrons trained with the backpropagation algorithm of error have been built. The first model was used only in simulation and the second in simulation and prediction. The conceptual model GR2M was used to validate the results obtained with neural networks. An extensive database climate (rainfall and temperature) and river monthly flow was used in this study. The results obtained are very satisfactory and well above those obtained with the overall conceptual model GR2M. Indeed, neural networks are able to explain more than 70% of the variation in rates, with Pearson correlation coefficients exceeding 0.80. However, these models have difficulty to simulate and predict extremes flow probably because of the reduced number of data at our disposal and separation of bases calibration and validation