Résumé:
La disponibilité des données de précipitation à haute résolution spatiale est essentielle
pour de nombreuses applications hydrologiques. Il existe deux principales sources
d'estimation des précipitations : les stations de précipitation et les estimations satellitaires
hydrologiques, notamment dans les bassins non mesurés. Cette étude compare et évalue
les performances des produits satellitaires de précipitation ERA5, NASA et SM2RAIN-
ASCAT par rapport aux mesures des stations au sol. Des méthodes de correction des biais
ont été appliquées et comparées pour réduire les erreurs, et des modèles d'intelligence
artificielle ont été utilisés pour prédire les précipitations observées à partir des produits
satellitaires en utilisant plusieurs combinaisons.
Les précipitations mensuelles (1969-2014) mesurées dans les stations au sol et par
satellites dans la région du Haut Chéliff, située au nord de l'Algérie, ont été utilisées
(stations de Zoubihia Mongorno, Ghrib Bge, Medea secteur, Djenan B.ouadah, B.el Amir
AEK, El Khemis ANRH). L'évaluation des produits satellitaires (ERA5, NASA et
SM2RAIN-ASCAT) a révélé les méthodes les plus performantes pour la correction des
biais des données :
La méthode RQUANT s'est avérée la plus performante pour le produit ERA5 (R = 0.83,
Pbias = 2.49%, RMSE = 20.23 mm), tandis que les méthodes RQUANT et QUANT ont
été les plus efficaces pour le produit NASA (R = 0.89, Pbias = 1.86%, RMSE = 16.42
mm). Pour le produit SM2RAIN-ASCAT, la méthode DIST a montré la meilleure
capacité de prédiction et un bon équilibre entre précision et fiabilité (R = 0.74, Pbias = -
0.97, RMSE = 25.33 mm).Le processus de fusion de données multi-sources a été utilisé
pour modéliser et combiner les produits satellitaires afin de produire des informations plus
précises et fiables. Deux modèles d'intelligence artificielle, XGBOOST et LIGHTGBM,
ont été appliqués sur les données de la station El Khemis ANRH. Les résultats ont montré
que :
- XGBOOST : La combinaison ERA5_NASA_SM2RAIN-ASCAT est la plus appropriée
pour la station 011717, avec le coefficient de détermination le plus élevé (R² = 0.86), le
RMSE le plus bas (14.15), et un NSE élevé (0.81), témoignant d'une précision et d'une
performance exceptionnelles.
- LIGHTGBM : La meilleure combinaison de données pour la station 011717 est
NASA_SM2RAIN-ASCAT, avec un coefficient de détermination (R² = 0.78), un RMSE
relativement faible (17.53), et un NSE élevé (0.70), indiquant une bonne précision et
performance du modèle.
