[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-1-fr-114":3,"doc-seo-219773-114":41,"doc-detail-219773-fr":114},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37],{"id":8,"doc_module":9,"doc_module_name":10,"category_name":11,"show_sort_weight":4,"slug":12},187,1,"Template","Affiches","affiches",{"id":14,"doc_module":9,"doc_module_name":10,"category_name":15,"show_sort_weight":4,"slug":16},185,"CV","cv-de4d58cbecd644d0a7e318765621a3e1",{"id":18,"doc_module":9,"doc_module_name":10,"category_name":19,"show_sort_weight":4,"slug":20},186,"Factures","factures",{"id":22,"doc_module":9,"doc_module_name":10,"category_name":23,"show_sort_weight":4,"slug":24},189,"Formulaires","formulaires",{"id":26,"doc_module":9,"doc_module_name":10,"category_name":27,"show_sort_weight":4,"slug":28},191,"Général","general-191",{"id":30,"doc_module":9,"doc_module_name":10,"category_name":31,"show_sort_weight":4,"slug":32},190,"Lettres","lettres",{"id":34,"doc_module":9,"doc_module_name":10,"category_name":35,"show_sort_weight":4,"slug":36},184,"Présentations","cv-767d690125b54e1a9d6afd8b391bba13",{"id":38,"doc_module":9,"doc_module_name":10,"category_name":39,"show_sort_weight":4,"slug":40},188,"Réseaux sociaux","reseaux-sociaux",{"code":4,"msg":42,"data":43},"ok",{"site_id":44,"language":45,"slug":46,"title":47,"keywords":48,"description":49,"schema_data":50,"social_meta":107,"head_meta":109,"extra_data":111,"updated_unix":113},114,"fr","modeling-the-rainfall-runoff-relationship-in-saharan-basins-using-intelligent-hybrid-systems","Modélisation de la relation pluie-débit dans les bassins sahariens à l’aide des systèmes hybrides intelligents","","La modélisation hydrologique du régime saharien exige des approches adaptées à la non-linéarité, à la non-stationnarité et à la dynamique multi-échelle des séries. Le texte propose l’usage d’outils de dynamique non linéaire et de modèles hybrides intelligents combinant reconstruction de l’espace des phases et transformée en ondelettes. Les données issues de la reconstruction de Takens et de la décomposition dyadique nourrissent un réseau de neurones pour apprendre l’évolution du signal. Les résultats indiquent un bon pouvoir prédictif lorsque la chaoticité et la fractalité du processus sont mises en évidence, et des perspectives d’optimisation par algorithmes génétiques sont envisagées.",{"@graph":51,"@context":106},[52,68,89],{"@type":53,"itemListElement":54},"BreadcrumbList",[55,59,62,65],{"item":56,"name":57,"@type":58,"position":9},"https://docshare.wps.com","Home","ListItem",{"item":60,"name":10,"@type":58,"position":61},"https://docshare.wps.com/fr/template/",2,{"item":63,"name":35,"@type":58,"position":64},"https://docshare.wps.com/fr/template/présentations/",3,{"item":66,"name":47,"@type":58,"position":67},"https://docshare.wps.com/fr/template/modeling-the-rainfall-runoff-relationship-in-saharan-basins-using-intelligent-hybrid-systems/219773/",4,{"url":66,"name":47,"@type":69,"image":70,"author":75,"headline":47,"publisher":78,"fileFormat":81,"inLanguage":45,"description":49,"dateModified":82,"datePublished":83,"encodingFormat":81,"isAccessibleForFree":84,"interactionStatistic":85},"DigitalDocument",{"url":71,"@type":72,"width":73,"height":74},"https://docshare.wps.com/thumbnails/modeling-the-rainfall-runoff-relationship-in-saharan-basins-using-intelligent-hybrid-systems/219773.png","ImageObject",442,249,{"name":76,"@type":77},"Ezra","Person",{"url":56,"name":79,"@type":80},"DocShare","Organization","application/vnd.openxmlformats-officedocument.wordprocessingml.document","2026-09-17","2026-09-08",true,{"@type":86,"interactionType":87,"userInteractionCount":64},"InteractionCounter",{"@type":88},"ViewAction",{"@type":90,"mainEntity":91},"FAQPage",[92,98,102],{"name":93,"@type":94,"acceptedAnswer":95},"Pourquoi la modélisation de la relation pluie-débit dans les bassins sahariens nécessite-t-elle des outils spécifiques ?","Question",{"text":96,"@type":97},"Parce que les régimes hydrologiques sahariens présentent une non-linéarité, un comportement non-stationnaire et une dynamique multi-échelle qui limitent les modèles supposant la stationnarité.","Answer",{"name":99,"@type":94,"acceptedAnswer":100},"Quels éléments constituent le modèle hybride intelligent proposé ?",{"text":101,"@type":97},"Il combine reconstruction de l’espace des phases (méthode de retards et théorème de Takens), transformée en ondelettes, puis décomposition dyadique pour former les données d’apprentissage du réseau de neurones.",{"name":103,"@type":94,"acceptedAnswer":104},"Dans quelles conditions les modèles proposés montrent-ils un bon pouvoir prévisionnel ?",{"text":105,"@type":97},"Lorsque la chaoticité et la fractalité du processus hydrologique sont mises en évidence.","https://schema.org",{"og:url":66,"og:type":108,"og:title":47,"og:site_name":79,"og:description":49},"article",{"robots":110,"canonical":66},"index,follow",{"doc_id":112,"site_id":44},219773,1788893948,{"code":4,"msg":5,"data":115},{"doc_id":112,"user_id":116,"nickname":76,"user_avatar":117,"doc_module":9,"category_id":34,"category_name":35,"doc_title":47,"doc_description":49,"doc_content":118,"file_id":119,"file_url":120,"file_type":121,"file_size":122,"view_count":64,"is_deleted":4,"is_public":9,"is_downloadable":9,"audit_status":9,"page_count":123,"language":124,"language_code":45,"site_id":44,"html_lang":45,"table_of_contents":125,"faqs":126,"seo_title":127,"seo_description":49,"update_tm":113,"read_time":61},1099514068035,"https://ap-avatar.wpscdn.com/davatar_276721f389ce27ea32af1340a28f341c","Modélisation de la relation pluie-débit dans les bassins sahariens à l’aide des systèmes hybrides intelligents\nMohamed Chettih1, Khaled Chorfi1 & Kaddour Mouattah1\n1 Laboratoire de Recherche en Ressources en Eau, Sols et Environnement, Département  de  Génie  Civil, Faculté de Technologie, Université Amar Telidji de Laghouat, B.P. 37 G ,03000 – Laghouat – Algérie.\nEmail : m.chettih@lagh-univ.dz\nRésumé.  Au cours de cette dernière décennie, l’application des systèmes hybrides intelligents dans différents domaines a montré de bonnes performances et une efficacité inégalée. Cependant, le caractère non-linéaire, le comportement non-stationnaire et la nature multi-échelle des régimes hydrologiques et plus particulièrement le régime hydrologique saharien, requiert le recours à des outils spécifiques des systèmes dynamiques non-linéaires.  A ce titre, nous proposons dans cette note l’application d’outils d’analyse issus de la dynamique non-linéaire des systèmes complexes à la relation pluie-débit, et des modèles hybrides intelligents basé sur la reconstruction de l’espace des phases, et la transformée en ondelettes  pour la prédiction des débits. Dans ces modèles, les séries générées à l’aide de la technique de reconstruction de l’espace de phase de Takens et à l’aide de la décomposition du signal dyadique en une succession d’approximations et de détails, constitueront la base de données au réseau de neurones et permettront ainsi de prendre  en compte la dynamique du signal hydrologique et d’apprendre son évolution. Les résultats obtenus dans cette étude, ont montré la bonne performance des techniques utilisées. Les modèles proposés, possèdent un bon pouvoir prévisionnel si toutefois la chaoticité et la fractalité du processus hydrologique sont mises en évidence. Le recours à cette technique constitue une alternative pleinement justifiée,  même si le signal hydrologique est souvent considéré comme un processus chaotique de faible dimension. Ces résultats encourageants ouvrent un certain nombre de perspectives, où il serait intéressant de tenter des modèles hybrides intelligents optimisant simultanément par algorithmes génétiques les paramètres des réseaux de neurones.\nMots clefs  Bassins Sahariens, Intelligence Arificielle, Système Hybride, Modèle Neuro-Chaotique.\n1.  INTRODUCTION\nL’un des principaux objectifs de la modélisation d’une série temporelle est la prédiction de l’évolution future de la série à partir de celles qui ont été observées [1], [2]. La plupart des modèles proposés supposent que les séries étudiées sont stationnaires. Au cours de ces des dernières décennies, un grand nombre d’approches automatisées ou informatisées ont été mises en œuvre pour modéliser ces processus[3]. Le caractère non-linéaire, le comportement non-stationnaire et la nature multi-échelle des séries hydrologiques sont connus depuis longtemps [4], [5], [6]. L’avènement de l’informatique et  l’évolution technologique de la puissance de calcul ont facilité la formulation d'approches non linéaires et permis d’avoir d’autres alternatives plus efficaces [7]. Parmi ces méthodes, les réseaux neuronaux, qui présentent une technique  de calcul pour la prévision hydrologique largement décrite par  Robert J. Abrahart et ses collaborateurs [8]. Les réseaux de neurones fournissent une voie de modélisation qui peut être utile quand il ya suffisamment de données pour relier par exemple les pluies aux débits  et surtout où les résultats sont nécessaires en temps réel [9].  Malgré leur efficacité, les réseaux de neurones sont souvent considérés  comme des solutions de boîte noire. Mais  en revanche, ils  peuvent fournir des résultats très utiles. Ils demeurent toutefois un sujet d’un grand intérêt pour les chercheurs qui désirent améliorer les performances de ces réseaux et étendre leur champ d’applications. Le Soft Computing , constitue une nouvelle technique pour la construction de systèmes hybrides intelligents capables de raisonnement et d'apprentissage dans un ","cbCaiies2vliH9IW","https://ap.wps.com/l/cbCaiies2vliH9IW","docx",242623,6,"French","# Résumé\n# Introduction\n# Reconstruction de l’espace des phases","[{\"question\":\"Pourquoi la modélisation de la relation pluie-débit dans les bassins sahariens nécessite-t-elle des outils spécifiques ?\",\"answer\":\"Parce que les régimes hydrologiques sahariens présentent une non-linéarité, un comportement non-stationnaire et une dynamique multi-échelle qui limitent les modèles supposant la stationnarité.\"},{\"question\":\"Quels éléments constituent le modèle hybride intelligent proposé ?\",\"answer\":\"Il combine reconstruction de l’espace des phases (méthode de retards et théorème de Takens), transformée en ondelettes, puis décomposition dyadique pour former les données d’apprentissage du réseau de neurones.\"},{\"question\":\"Dans quelles conditions les modèles proposés montrent-ils un bon pouvoir prévisionnel ?\",\"answer\":\"Lorsque la chaoticité et la fractalité du processus hydrologique sont mises en évidence.\"}]","Modélisation de la relation pluie-débit dans les bassins sahariens à l’aide des systèmes hybrides intelligents | DOCX"]