Prévision Des Précipitations Par Réseaux De Neurones

Résumé: Le sujet central de ce travail est l’application du Time Delay Neural Network (TDNN) à la prévision des séries temporelles de précipitations. De manière générale, on cherche à prouver l’efficacité du TDNN pour la prévision des précipitations. Dans un premier temps, nous exposons le fondement mathématique des réseaux de neurones. Nous mettons l’accent sur les réseaux de neurones statiques qui ne prennent pas en considération la notion du temps, nous passerons au cas d’un réseau dynamique où le temps joue un rôle fonctionnel applicable pour la prévision des séries temporelles de précipitations. Dans un deuxième temps nous présentons le TDNN, sa structure, son fonctionnement et enfin, les deux algorithmes d’apprentissages : l’algorithme de descente de gradient et celui de Lavenberg-Marquardt appliqués à des données mensuelles de précipitations. Notons qu’une série temporelle de précipitations contient des caractéristiques locales telles que les pics isolés entre plusieurs valeurs basses par exemple. Ces caractéristiques ne sont pas fixes dans le temps, ce qui rend la prévision de leurs occurrences très difficiles. Le Time Delay Neural Network a été proposé pour identifier les caractéristiques locales des précipitations indépendamment de leur position dans le temps. Nous mettons ensuite en évidence les corrélations entre la sortie désirée et la sortie obtenue par le réseau, ainsi l’erreur quadratique moyenne nous permet de mettre en évidence les limites du TDNN pour la prévision des précipitations. Les différents résultats obtenus prouvent l’efficacité de l’approche abordée. Cependant, d’autres applications peuvent être utilisées afin de prouver la robustesse de notre technique telle que par exemple l’utilisation d’une série d’images satellitaires.

Publié dans la revue: