Geneviève A

Plusieurs auteurs sont convaincus du grand potentiel des RNA en hydrologie, notamment quand on les compare aux méthodes statistiques traditionnelles comme les modèles ARMAX (Hsu et al., 1995). Dans le cadre du présent exercice, il a été possible d’entraîner un perceptron multicouches afin de lui faire reproduire des valeurs de débits de manière satisfaisante, au moins pendant la phase d’apprentissage. Ce résultat est déjà plus encourageant que ceux obtenus suite à l’utilisation de modèles conceptuels ou de modèles « boite noire », dont la performance est particulièrement mauvaise pour les débits estivaux et automnaux. Bien que les résultats obtenus ici ne puissent absolument pas faire office de « preuves par l’exemple », il semble que l’application d’un RNA sur de grands ensembles de données non dépourvues de leurs tendances ou de leurs fluctuations saisonnières soit efficace. C’est le cas pour nos fichiers de débits enregistrés sur une année ou plus. La performance du RNA à l’échelle saisonnière est assez piètre, mais elle rejoint tout à fait ce que l’on retrouve en utilisant, par exemple, le modèle conceptuel semi-distribué TOPMODEL sur le bassin de l’Hermine. La question de la prise en compte des conditions d’humidité antécédentes, qui semble cruciale, montre à quel point l’utilisation d’un RNA sans les variables d’entrée nécessaires peut s’avérer décevante. Comme le soulignent judicieusement Maier et Dandy (2000), « There is a tendancy among users to throw a problem blindly at a neural network in the hope that it will formulate an acceptable solution… ». La solution « magique » n’a pas pu être trouvée ici, car les limites d’un RNA sont vite atteintes en l’absence d’un ensemble de données assez consistant ou d’une variable d’entrée clé. La récolte de données à une échelle temporelle plus fine pourrait éventuellement permettre de solutionner certains problèmes.

Chaire de recherche du Canada en dynamique fluviale (Canada Research Chair in Fluvial Dynamics)

Université de Montréal