EVALUATION ET AJUSTEMENT DES PRODUITS DE PRECIPITATION « TRMM » UTILISANT LES METHODES D'INTELLIGENCE ARTIFICIELLE

Abstract

La disponibilité des données de précipitation à haute résolution spatiale est d'une importance fondamentale dans de nombreuses applications hydrologique. Il existe actuellement deux sources principales d'estimation des précipitations : les stations de précipitations et la technologie de télédétection en particulier dans les bassins non mesurés. Nous avons comparé la performance de deux produits de précipitations satellitaires, TRMM 3B42V7, et TRMM 3B42RT, avec les mesures des stations au sol. Nous avons essayé d'améliorer la technologie de télédétection dans une large mesure pour ajuster la qualité des observations de précipitations. Nous avons utilisé les précipitations journalières (1998-2004) mesurées dans les stations au sol et par satellites dans un sous bassin situé au nord-est de l'Algérie. L'évaluation des deux produits satellitaires (3B42V7 et 3B42RT) a montré que les données 3B42V7 sont en meilleur accord avec les données de stations avec un coefficient de détermination (R²) de 0,3 alors que le R² du produit 3B42RT est égale à 0,14. Selon le critère Biais trouvé positif pour le produit 3B42V7, les mesures de ce dernier sont surestimées. Par contre les mesures du produit 3B42RT sont sous-estimée (Biais = - 0,272). En utilisant deux modèles d'intelligence artificiel qui sont le Perceptron Multi Couche (PMC) et la Fonction à Base Radiale (RBF) comme moyens d'ajustement des produits satellitaires, on s'est aperçu que le 3B42V7 avait la meilleure performance (R²%= 60.4). Pour la pluie supérieure à 50 mm RMSE% de 3B42RT a été inferieur a 50% et le modèle PMC est mieux que le RBF en termes de la performance des produits. Cette approche présentée peut être utilisée pour ajuster les estimations des systèmes de mesure satellitaire dans n'importe quelle région. Ayant obtenu le modèle, on peut exploiter ces données ajustées efficacement dans le cas de défaillances des stations au sol. Aussi, ces données peuvent faire objet d’une régionalisation par proximitéAbstract The availability of precipitation data at high spatial resolution is of fundamental importance in many hydrological applications. There are currently two main sources of precipitation estimation: precipitation stations and remote sensing technology especially in unmeasured basins. We compared the performance of two satellite precipitation products, TRMM 3B42V7, and TRMM 3B42RT, with ground station measurements. We have tried to improve remote sensing technology to a large extent to adjust the quality of precipitation observations. We used the daily precipitation (1998-2004) measured in the ground and satellite stations in a sub-basin located in the north-east of Algeria. The evaluation of the two satellite products (3B42V7 and 3B42RT) showed that the 3B42V7 data are in better agreement with the data of stations with a coefficient of determination (R²) of 0.3 whereas the R² of the product 3B42RT is equal to 0 14. Based on the criterion Bias found positive for the product 3B42V7, the measurements of the latter are overestimated. On the other hand, the measurements of the product 3B42RT are underestimated (Bias = -0.272). Using two artificial intelligence models that are the Perceptron MultiLayer (PMC) and the Radial Base Function (RBF) as tools of adjusting satellite products, we realized that the 3B42V7 had the best performance (R²% = 60.4). For rains greater than 50mm RMSE% of 3B42RT was less than 50% and the PMC model is better than RBF in terms of product performance. This presented approach can be used to adjust estimates of satellite measurement systems in any region. Having obtained the model, this adjusted data can be exploited effectively in the event of ground station failures. Also, these data can be object of regionalization by proximity