Please use this identifier to cite or link to this item: https://dspace.univ-ghardaia.edu.dz/xmlui/handle/123456789/5319
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCHOUIREB, TOUFIK-
dc.contributor.authorBOUDOUDA, AHMED-
dc.date.accessioned2023-01-16T09:55:42Z-
dc.date.available2023-01-16T09:55:42Z-
dc.date.issued2022-
dc.identifier.urihttps://dspace.univ-ghardaia.edu.dz/xmlui/handle/123456789/5319-
dc.description.abstractPrediction the streamflow at the basin outlet remains a challenge for hydrologists. The purpose of this master thesis is to study the predictability of streamflow according to climatic data (Rainfall, temperature, solar radiation and humidity) using Deep Learning (DL) algorithms. A forest watershed of 2304 km² was selected from the commonly used CAMELS database to test the reliability of the Long Short-Term Memory (LSTM) and the Gated Recurrent Unit (GRU) models to forecast the daily streamflow. A Time period of 30 years was divided to 20 years for the training, 10 years for validation and 10 years for testing. Results showed that both used DL models are efficient to predict the streamflow with a high accuracy. GRU model demonstrated a slightly better performance when compared to the LSTM model. However, an underestimation was observed for both models predictions according to the with measurements. Finally, the used LSTM and GRU deep learning models are powerful tools for streamflow predictions...La prévision du débit à l'exutoire du bassin reste un défi pour les hydrologues. L'objectif de ce mémoire de master est d'étudier la prévisibilité de l'écoulement fluvial en fonction de données climatiques (Précipitations, température, rayonnement solaire et humidité) à l'aide d'algorithmes de Deep Learning (DL). Un bassin versant forestier de 2304 km² a été sélectionné à partir de la base de données CAMELS couramment utilisée pour tester la fiabilité des modèles Long Short-Term Memory (LSTM) et Gated Recurrent Unit (GRU) pour prévoir le débit quotidien. Une période de 30 ans a été divisée en 20 ans pour la formation, 10 ans pour la validation et 10 ans pour les tests. Les résultats ont montré que les deux modèles DL utilisés sont efficaces pour prédire le débit avec une grande précision. Le modèle GRU a démontré une performance légèrement meilleure par rapport au modèle LSTM. Cependant, une sous-estimation a été observée pour les deux modèles de prédictions selon les mesures avec. Enfin, les modèles d'apprentissage en profondeur LSTM et GRU utilisés sont des outils puissants pour les prédictions de fluxEN_en
dc.publisheruniversité GhardaiaEN_en
dc.subjectdeep learning – GRU – LSTM – streamflow – machine learning – predictability – rainfall.EN_en
dc.subjectdeep learning – GRU – LSTM – streamflow – machine learning –prévisibilité – précipitations .EN_en
dc.titleRainfall Runoff Modeling Using Deep Learning TechniquesEN_en
dc.typeThesisEN_en
Appears in Collections:Mémoires de Master



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.