Modélisation d'un système karstique par réseaux de neurones : simulation des débits du karst du Baget, France

Résumé En Fr

After a presentation of the karstic systems modelling with neural networks, the paper is devoted to the identification of the rainfall-runoff relation of the Baget karstic system (Ariège-France) with neural networks. First, the flow simulation upon a complete year allows to illustrate the interest of the state feedback operated by neural network. In a second time, the specialisation of the neural network in the "flood" state is implemented in presenting only "flood" periods to the network. It is then satisfying to note that the performance brings results closer to those observed with a state-feedback. Flood simulation allows also to check that, the recurrent directed network having inputs containing more precise information than the static network, the complexity of the architecture may be simplified. In both cases the Nash criteria reach acceptable values between 0.6 and 0.9, which indicate that the quality of the simulation is satisfying, even if climatological data are lacking, except of course rainfall.

Après une présentation de la difficulté de la modélisation des systèmes karstiques et de l'identification des systèmes avec des réseaux de neurones formels, cet article se propose d'appliquer les réseaux de neurones pour identifier la relation pluie-débit du système karstique du Baget (Ariège -France). La simulation effectuée sur une année entière permet d'illustrer l 'intérêt du retour d'état que peut apporter le réseau de neurones. Dans un deuxième temps, il est proposé de spécialiser le réseau en mode «crue» en ne lui faisant apprendre, et simuler, que les événements de crue. Il est alors satisfaisant de noter que les performances se rapprochent de celles obtenues avec un retour d 'état. La simulation des crues permet également de vérifier que le réseau récurrent dirigé, possédant des entrées plus riches en information, se satisfait alors d'une architecture simplifiée. Dans tous les cas, les simulations effectuées sont de qualité satisfaisante, conduisant, en l 'absence de données climatiques supplémentaires aux précipitations, à des critères de Nash variant entre 0.6 et 0.9.