| Titre : | Bias correction of satellite precipitation using Machine Learning methods and hydrological validation |
| Auteurs : | MIORQI Chaimae, Auteur ; SEBARI Karima, Auteur ; SALIH,Wiam;EL KHALKI,EL Mahdi, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2025 |
| Format : | 150 |
| Langues: | Français |
| Mots-clés: | Produit de précipitations satellitaire ; Correction de biais ; Apprentissage automatique ; Modélisation hydrologique ; GR4J ; Clustering ; Rareté des données. |
| Résumé : |
Des données de précipitations précises et fiables sont essentielles pour une modélisation hydrologique efficace, la prévision des crues et la gestion des ressources en eau, particulièrement dans les régions où les réseaux d'observation de pluie sont limités. Au Maroc, où ces réseaux sont rares, les produits de précipitations satellitaires (PPS) constituent une alternative viable en offrant des données à haute résolution spatiale et temporelle. Cependant, les PPS sont sujets à des biais causés par des limitations algorithmiques, des influences topographiques et des conditions atmosphériques, ce qui peut compromettre leur fiabilité dans les applications hydrologiques.
Dans ce contexte, cette étude examine le potentiel des techniques d'apprentissage automatique (AA) pour la correction des biais des PPS, en se concentrant sur trois jeux de données couramment utilisés : GPM, CHIRPS et PERSIANN-CDR. Les biais de ces PPS seront corrigés grâce à une technique statistique traditionnelle, Quantile Mapping, et à des approches d'AA, notamment Random Forest, Extreme Gradient Boosting et Multilayer Perceptron. À l'aide de données provenant de 14 stations pluviométriques réparties au Maroc, nous avons évalué d'abord les performances des trois et appliquerons les méthodes de correction des biais pour améliorer leur précision. L'efficacité des PPSs corrigés est ensuite évaluée par des simulations hydrologiques utilisant le modèle pluie-débit GR4J, avec KGE comme principale mesure d'évaluation. De plus, des techniques de Clustering ont été explorées pour étendre la correction des biais aux pixels non jaugés. Les résultats montrent que GPM a fourni les estimations de précipitations les plus précises parmi les PPSs évalués. La correction des biais en utilisant l'algorithme XGBoost, particulièrement lorsqu'elle est combinée avec l'approche de Clustering, a conduit à des améliorations notables des performances du modèle hydrologique, surtout pour GPM et CHIRPS. Parmi les deux méthodes de transfert de correction, le Clustering a systématiquement surpassé l'approche du plus proche voisin. En revanche, PERSIANN-CDR a montré des ameliorations limités avec les techniques de correction et a obtenu de meilleures performances dans sa forme brute. D'autres résultats ont révélé que la correction était moins efficace lorsque les données de précipitations observées avaient déjà de mauvaises performances par rapport aux données brutes des PPSs ou lors d'événements climatiques extrêmes. Cette étude contribue à faire progresser l'utilisation des précipitations satellitaires dans la modélisation hydrologique et offre des perspectives précieuses pour améliorer la gestion de l'eau au Maroc, en particulier dans les régions reculées et pauvres en données. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/MIORQI_Chaimae_2025.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041778 | 10608 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur rural | Consultation sur place Exclu du prêt |
