Estimation et modélisation de l'indice de sécheresse à l'aide de différents modèles d'intelligence artificielle (IA) dans le bassin du hodna

Voir Plus Voir Moins

Afficher le Résumé

Les conséquences négatives de la sécheresse sur les ressources en eau, l'agriculture, les écosystèmes et la production d'énergie peuvent être gérées efficacement en prédisant son occurrence dans le futur, ce qui peut également aider à prévenir les risques potentiels. Les techniques d'informatique douce sont devenues la méthode préférée pour produire des prévisions en raison de leur capacité à minimiser le temps de développement, à exiger des données minimales et à offrir une approche relativement moins complexe par rapport aux modèles dynamiques ou physiques. Dans cette étude, une approche hybride VMD-ELM, établie en combinant la technique de décomposition en mode variationnel (VMD) et l'algorithme Extreme Learning Machine (ELM) comme technique de prétraitement, est proposée pour prédire les sécheresses futures. Tout d'abord, les valeurs SPI à 6 et 12 mois, les valeurs de délai de 1, 2 et 3 mois ont été estimées à l'aide de l'algorithme ELM. Ensuite, les variables météorologiques et les valeurs SPI, divisées en sous-composantes avec VMD, sont présentés au modèle ELM, et un modèle de prévision de la sécheresse est développé. En conséquence, l'effet de diverses combinaisons d'entrées et de valeurs SPI sur la prévision des futurs indices de sécheresse a été évalué. Les performances du modèle ont été évaluées selon divers critères visuels et statistiques. L'analyse a permis de déterminer que les plus grandes précisions de prédiction sont généralement obtenues avec les modèles VLD-ELM et les prédictions SPI avec un délai d'un mois. Les résultats de l'étude donnent des idées importantes aux bailleurs de fonds en ce qui concerne la planification des ressources en eau et les stratégies d'adaptation au changement climatique.

Télécharger Document