Mise en ¿uvre d'une technique d'apprentissage profond pour la prédiction du débit des cours d'eau

Le contrôle et la gestion des ressources en eau sont grandement facilités par les barrages et les réservoirs, qui ont profité aux sociétés humaines de nombreuses façons. Ces avantages comprennent l'amélioration de la santé humaine, l'augmentation de la production alimentaire, l'accès à l'eau propre pour les usages domestiques et industriels, la croissance économique, l'irrigation, la production d'énergie hydroélectrique et la lutte contre les inondations. Une étape importante, qui ne relève pas de l'ingénierie, pour vérifier les mesures de lutte contre les inondations et améliorer l'efficacité de l'approvisionnement en eau est la prévision précise des apports. En outre, le débit entrant étant le principal intrant dans les réservoirs, une prévision précise du débit entrant peut fournir des recommandations pour le développement et la gestion des réservoirs. L'objectif de cette étude est de comparer la manière dont les algorithmes d'apprentissage profond et les algorithmes traditionnels d'apprentissage automatique sont utilisés pour la prévision des débits entrants dans les réservoirs. LSTM, en tant que modèle d'apprentissage profond efficace, a surpassé les autres modèles d'apprentissage automatique conventionnels dans la prévision du débit des réservoirs. Les résultats de cette étude pourraient présenter un intérêt direct pour les organisations mondiales de l'eau et les secteurs publics et privés de l'eau dans le monde entier.