Rapport de Stage. - spe.univ-corse.frspe.univ-corse.fr/filippiweb/publis/stage.pdf · apport de...

Jean Baptiste Filippi

Année 1999/2000

R a p p o r t d e S t a g e .

Analyse, Conception et Programmation d'un logiciel de simulation de bassins versants

Laboratoire URA2053 Systèmes physiques pour l'environnement

Sous la tutelle de Marielle Delhom et de Frederic Chiari

Effectué du 5/5/2000 au 31/08/2000

Université de Corse Faculté des sciences et techniques

Campus Grossetti

BP52, 20250 Corte


Jean baptiste Filippi. Page N°1 sur 62

Table des matières un onglet placé dans la marge de droite permet un accès rapide aux rubriques en feuilletant.

1 Introduction ..........................................................................3 1.1 Enjeu de la maîtrise de l'eau........................................................................... 3

1.2 Description du stage ....................................................................................... 3

1.3 Le labo URA2053 ........................................................................................... 3

2 Etat de l’art ...........................................................................4 2.1 Les bassins versants ...................................................................................... 4

2.2 Modélisation et simulation orientées objets .................................................. 16

2.3 Principes généraux de modélisation par réseaux de neurones .................... 19

2.4 Les SIG......................................................................................................... 23

2.5 Travaux déjà réalisés, projets internationaux sur le sujet ............................. 24

2.6 Conclusions .................................................................................................. 24

3 Analyse................................................................................25 3.1 Principe de fonctionnement du logiciel ......................................................... 25

3.2 Hypothèses de développement .................................................................... 26

3.3 Architecture du logiciel.................................................................................. 30

3.4 Spécifications. .............................................................................................. 31

4 Conception et Programmation .........................................38 4.1 Choix du langage.......................................................................................... 38

4.2 Fonctionnement du logiciel ........................................................................... 38

4.3 Réutilisation des classes java....................................................................... 43

4.4 Planning de développement. ........................................................................ 43

4.5 Code (cf. annexe 4) ...................................................................................... 43

4.6 Couplage ArcView. ....................................................................................... 44

4.7 Outils de gestion de projet. ........................................................................... 44



5 Exemples d'expérimentations. .........................................45 5.1 Première expérience..................................................................................... 45

5.2 Deuxième expérience. .................................................................................. 47

5.3 Troisième expérience. .................................................................................. 50

6 Ouvertures possibles / Conclusion: ................................55 6.1 Etendue du couplage (interaction SIG-application) coupes, calcul de pente.55

6.2 Ajout de modèles atomiques à traitements numériques. .............................. 55

6.3 Intégration des modéles atomiques connexionnistes dans la méthodologie de

Modélisation et Simulation Orientée Objet développée à l'URA 2053. .................. 55

6.4 Créations de bibliothèques UML de modélisation de Systèmes naturels. .... 56

6.5 Intérêts du stage, travaux à réaliser.............................................................. 56

7 Bibliographie ......................................................................57

8 Glossaire.............................................................................58

9 Table des figures ...............................................................60

10 Annexes .............................................................................61 10.1 Prédiction du comportement hydrologique d'un bassin versant à l'aide de

Réseaux de Neurones, publication ESRI 2000..........................................................

10.2 A GIS based methodology for the modeling and the simulation of watersheds,

publication ATW 2000................................................................................................

10.3 Prediction of the Hydrologic Behavior of a Watershed using Artificial Neural

Networks and Geographic Information Systems, publication SMC 2000...................

10.4 Modélisation et simulation orientées objet , Application à l'étude du

comportement hydrologique d'un bassin versant, Marielle Delhom - Paul

Bisgambiglia - Antoine Aiello - Jean-François Santucci.............................................

10.5 Exemples de Code ...........................................................................................



1 Introduction Ce stage a été réalisé au sein de l'équipe informatique du laboratoire URA

2053 dont le thème de recherche est l'étude des systèmes physiques pour

l'environnement. Il a pour but de réaliser un outil de simulation de débit dans

un bassin versant, s'appuyant sur les études réalisées par M.Delhom, F.Chiari

et JF.Santucci au sein de l'URA 2053 [CHI 2000][DEL 96].

L'utilité de cet outil est la prévision de débits de cours d'eau pour en faciliter la

gestion.

1.1 Enjeu de la maîtrise de l'eau

Patrimoine naturel de l'humanité, la maîtrise de l'eau va constituer dans les

prochaines années un enjeu majeur pour nos populations. Les données

environnementales, sociales, techniques, économiques qui s'attachent à la

gestion de cette ressource essentielle à la vie devront être au premier plan de

nos préoccupations. La disponibilité d'eau douce est le plus grand problème

auquel est confronté l'humanité d'aujourd'hui ; les difficultés qui lui sont liées

se répercuteront sur la vie de milliards de personnes. Le problème de l'eau

douce dans le monde souligne le dilemme auquel doit faire face l'humanité : la

concurrence entre l'environnement et le développement peut-elle être

transformée en partenariat entre ces deux éléments dans le cadre d'un

développement durable ?

1.2 Description du stage

L'objectif de ce stage est de réaliser un outil efficace de simulation de bassins

versants en intégrant un module de simulation neuronale à un SIG existant

que l'étudiant aura à choisir en concertation avec l'équipe. L'Interface

Homme/Machine du logiciel devra permettre une utilisation distribuée suivant

une architecture Intranet/Extranet. Le module sera développé en utilisant un

langage Orienté Objet et interagira avec le logiciel SIG en s'appuyant sur les

normes d'objets distribués (CORBA, COM/DCOM…). Ceci implique donc que

le logiciel SIG choisi soit fortement respectueux de ces normes et que le

développement du module y soit complètement astreint.

1.3 Le labo URA2053

A sa création, l’URA s’est donnée comme axe central les systèmes

dynamiques, quelle que soit leur nature : énergétique ou mécanique. Ces

systèmes sont étudiés à travers la modélisation de leur comportement dans le

temps, ce qui induit leur étude expérimentale ainsi que des outils

mathématiques, numériques et informatiques.

SIG : Système

d’information

géographique (Voir

2.2) I

ntro

duct

ion



2 Etat de L’art Cette partie présente les concepts et notions utiles à la compréhension du

travail réalisé pendant le stage, le lecteur sera emmené à comprendre la

démarche qui a conduit au développement du logiciel à travers les études et

les travaux déjà effectués sur le sujet.

2.1 Les bassins versants

Cette partie expose fonctionnement très complexe d'un bassin versant pour

pouvoir ensuite présenter les différentes techniques de modélisation utilisées.

2.1.1 Le cycle de l’eau

Une partie de l’eau précipitée retourne vers l'atmosphère, par

évapotranspiration et évaporation (fig. 1) [JAC 97].

Le terme d'évaporation désigne les pertes en eau des nappes d'eau libres

sous forme de vapeur (lacs, retenues, mares) ; alors que l'évapotranspiration

regroupe les pertes du sol : absorption de l'eau par le couvert végétal ou

animal, et restitution à l'atmosphère par transpiration.

L'évapotranspiration est liée à un certain nombre de paramètres climatiques

tels que température, vent, humidité, rayonnement etc.

L'eau non restituée à l'atmosphère migre sous forme :

• d'écoulements de surface rapides (rivières, ravines...), transitant parfois

par des zones de stockage naturelles (étangs, lacs, mares...) ou

artificielles (retenues...);

• d'écoulements souterrains intervenant après infiltration; ces eaux sont

souvent stockées en profondeur dans des réservoirs constitués de roches

poreuses et perméables formant les aquifères.

Si elles ne sont pas utilisées par l’homme, les eaux souterraines parviennent

finalement à la mer.

Le cycle de l'eau se poursuit : c'est le milieu marin qui, par évaporation,

humidifie les masses d'air véhiculées par l'alizé.

Par condensation, il y a formation de nuages, et éventuellement précipitation.

Établir le bilan en eau d’une région sur une période donnée, c'est chiffrer les

quantités d’eau qui entrent et sortent des différents bassins versants qui la

composent (le bassin versant d'une rivière est la zone à l'intérieur de laquelle

l'eau précipitée s'écoule et converge vers la rivière).

Rayonnement : Energie restituée solaire

au sol.

Eta

t de

l’art

BV



Le bilan hydrologique d'un bassin versant peut s'exprimer schématiquement

par la formule suivante:

P = E + Q + I + U + dR,

Chacun des termes du bilan hydrologique est naturellement pondéré par

divers paramètres climatiques et géographiques. Par exemple, la température

est l'un des facteurs principaux du pouvoir évaporant de l’atmosphère, le relief

conditionne les précipitations des masses nuageuses, et la nature de la

couverture végétale influe sur les phénomènes d'interception et de

transpiration.

Les durées de séjour de l'eau dans les différents compartiments du cycle sont

très variables. En moyenne, elles sont de l'ordre de la semaine dans

l'atmosphère, de plusieurs jours à plusieurs années dans les rivières selon la

taille des bassins versants, des siècles à des millénaires dans les grands

aquifères du sous-sol, d'une trentaine de siècles dans les océans.

Figure 1 : Le cycle Hydrologique

Interception : Capacité d'absorption

d'une couche en un

temps donné.

P - précipitation;

E - évaporation +

évapotranspiration;

Q - écoulement;

I - infiltration;

U - utilisation

humaine;

dR - stockage.

Eta

t de

l’art

BV



2.1.2 Définitions

On appelle bassin versant d'une rivière considérée en un point donné de son

cours, l'aire limitée par le contour à l'intérieur duquel l'eau précipitée se dirige

vers ce point de la rivière.

L’exutoire d'un bassin est le point le plus en aval du réseau hydrographique

par lequel passent toutes les eaux de ruissellement drainées par le bassin. La

ligne de crête d’un bassin versant est la ligne de partage des eaux. La ligne

ainsi définie, limite les bassins versants topographiques adjacents.

Cependant, le cours d'eau d'un bassin versant donné peut-être alimenté par

les eaux précipitées sur un bassin topographiquement adjacent. C'est le cas

provoqué par la présence d'un horizon imperméable ou d'écoulements

souterrains complexes comme dans les terrains karstiques.

En fait, la figure 4 montre qu'en cas d'averse abondante, les eaux ruisselées

pourraient rejoindre le cours d'eau du bassin adjacent tandis que les eaux

infiltrées se dirigeraient vers le bassin principal.

Le tracé de la ligne de crête est une opération délicate qui se fait sur la carte

topographique de la région concernée. Généralement, on utilise une carte à

l'échelle 1/200 000. S'il s'agit d'un petit bassin versant, de l'ordre de quelques

Km², on préférera des cartes topographiques au 1/50000, voire au 1/25000, et,

si ces documents existent, la couverture de photos aériennes, qui en vision

stéréoscopique, restitue et permet un tracé beaucoup plus précis. Une vérité

terrain est toujours indispensable.

Figure 2 : Bassin versant topographique et bassin versant hydrogéologique

Topographique : Relatif aux relevés du

terrains (topographie)

Hydrogéologique : Relatif aux interactions

sol-eau (hydrogéologie)

Stéréoscopique : Procédé donnant

l'illusion de relief en

projetant une image

différente pour chaque

œil. E

tat d

e l’a

rt B

V



2.1.3 Caractéristiques géométriques

Aire et périmètre

L’aire est la portion du plan délimitée par la ligne de crête, ou contour du

bassin. Sa mesure est faite soit à l’aide d’un planimètre, soit par la méthode

des petits carrés, et est généralement exprimée en Km².

Le périmètre est la longueur, généralement exprimée en km, de la ligne de

contour du bassin ; sa mesure est faite à l'aide d'un curvimètre. Pour

certaines applications on trace le périmètre stylisé du bassin en lissant son

contour.

Indice de compacité

L'indice admis par les hydrologues pour caractériser la forme d'un bassin

versant est l'indice de compacité de GRAVELIUS qui est le rapport du

périmètre du bassin à celui d'un cercle de même surface.

Le coefficient est supérieur à 1 et d'autant plus voisin de cette valeur que le

bassin est compact.

Le rectangle équivalent Cette notion a été introduite pour pouvoir comparer des bassins entre eux du

point de vue de l'influence de leurs caractéristiques géométriques sur

l'écoulement.

2.1.4 Les pentes

On peut distinguer 4 types de pentes:

• la pente orographique;

• la pente topographique;

• la pente hydrographique;

• la pente stratigraphique.

Les indices de pentes permettent, comme pour certaines caractéristiques

géométriques, de comparer les bassins versants entre eux.

Pente orographique. La pente orographique caractérise le relief. Elle favorise

l'élévation des masses d'air en mouvement au dessus des reliefs et provoque

la condensation de l'humidité qu'elles contiennent.

Curvimétre : Appareil permettant de

mesurer la longueur sur

une carte en suivant un

tracé et en connaissant

l'échelle.

Eta

t de

l’art

BV



La pente topographique. C'est la pente qui influence l'écoulement superficiel

des eaux : ruissellement de surface et écoulement hypodermique. Elle

accélère le ruissellement sur les versants et détermine en partie le temps de

réponse du cours d'eau aux impulsions pluviométriques.

La pente topographique se lit et se mesure sur la carte topographique à

grande échelle ( >1/100000) ou à l'aide de M.N.T.

La pente hydrographique. La pente hydrographique, ou profil en long du cours

d'eau, peut-être déterminée sur la carte ou mesurée sur le terrain par un

nivellement de précision. Cette pente exprimée généralement en m/km

conditionne :

• la vitesse de l'eau dans le chenal ;

• la vitesse de l'onde de crue ;

• le tirant d'eau de la rivière : pour un même débit et une même largeur une

rivière plus pentue a une vitesse d'écoulement plus grande et donc,

généralement, une profondeur plus faible.

La pente hydrographique varie plus ou moins irrégulièrement pour un même

cours d'eau selon les structures géologiques traversées et diminue en général

d'amont en aval (forme concave des profils en long).

La pente d'un cours d'eau varie beaucoup d'un type de cours d'eau à un autre

: supérieurs à 10²m/km pour les torrents fortement pentus à 10-²m/km pour les

grands fleuves. Elle conditionne la forme des hydrogrammes de crue.

La pente stratigraphique. Elle contrôle le chemin des eaux infiltrées qui

alimentent les aquifères. Elle détermine la direction de l'écoulement des eaux

souterraines

2.1.5 Les caractéristiques du réseau hydrographique

Le réseau hydrographique est l'ensemble des chenaux qui drainent les eaux

de surface vers l'exutoire du bassin versant [MAR 95].

Un chenal peut-être défini comme l'inscription permanente dans l'espace d'un

écoulement concentré plus ou moins permanent. A l'amont de tout chenal, les

processus hydrologiques sont aréolaires, spatiaux, c'est-à-dire qu'ils

intéressent une surface et non une ligne ; dans le chenal ils deviennent

linéaires.

Hypodermique : Sous la surface.

Nivellement : Mesure du niveau, de

l'altitude.

Hydrogrammes : Graphes du débits d'un

cours d'eau.

Exutoire : Point de sortie.

Eta

t de

l’art

BV



Dans un bassin versant les chenaux sont organisés, hiérarchisés en un

réseau qui concentre les eaux des rus dans les ruisseaux, celles des

ruisseaux dans les rivières, celles des rivières dans les fleuves.

Un réseau hydrographique est donc l'ensemble des cours d'eau, affluents et

sous-affluents d'une rivière ou d'un même fleuve. A l'état naturel tous les

réseaux sont hiérarchisés, de nombreux auteurs ont proposé des

classifications de ces réseaux.

Classification de Horton Tout cours d'eau sans affluent est d'ordre 1, tout cours d'eau ayant un affluent

d'ordre x est d'ordre x + 1, et garde cet ordre sur toute sa longueur. A la

confluence de deux talwegs d'importance égale, on donne l'ordre supérieur

au plus long.

Classification de Schumm Est d'ordre x + 1 tout tronçon de rivière formé par la réunion de deux cours

d'eau d'ordre x.

Le terrain

Le terrain est au contact terre/atmosphère; on peut donc le schématiser par

trois types de matériaux:

• le sol qui fixe et nourrit les plantes;

• le manteau de dépôts superficiels plus ou moins épais (altérites,

colluvions, alluvions...);

• le substratum ou roche en place, structure géologique supérieure du

bassin versant.

Ce dernier est toujours présent, alors que le sol et le manteau peuvent ne pas

exister.

L'hydrologue s'intéresse à ces trois types de matériaux dans leur rapport avec

le déroulement du cycle de l'eau. Nous ne traiterons pas du substratum, traité

en hydrogéologie.

Figure 3 : Bassin versant d' ordre 4 (classification de SCHUMM).

Talweg : Ligne joignant les points

les plus bas d'une

vallée.

Eta

t de

l’art

BV



Le sol et le manteau exercent vis à vis de l'eau deux rôles principaux:

• un rôle de stockage => porosité;

• un rôle de transfert => perméabilité.

2.1.6 Les sols

Le sol agit de différentes manières sur le régime d'une rivière. Sa nature et

surtout sa couleur interviennent dans le bilan thermique. Par son influence sur

le développement et la nature de la végétation, il agit indirectement sur

l'évapotranspiration. Ce sont surtout les propriétés mécaniques du sol qui

intéressent les hydrologues.

Un sol peut-être compact (roche) et est généralement imperméable, sauf en

cas de fissures, diaclases etc. Il peut être meuble, et il est alors nécessaire de

l'analyser pour connaître en particulier les proportions d'éléments plus ou

moins fins ou grossiers qui le composent. En effet, la dimension des particules

constituant le matériau est le facteur déterminant des phénomènes

d'infiltration.

En schématisant on dira que plus les particules seront d'une taille importante,

plus le terrain sera perméable, c'est-à-dire favorable à l'infiltration. On adopte

généralement la classification suivante :

Diamètre des particules :

Gravier > 2 mm;

Sable grossier 2 à 0,2 mm;

Sable fin 0,2 à 0,02 mm;

Limon 0,02 à 0,002 mm;

Argile < 0,002 mm.

Ceci nous amène à définir quelques termes couramment utilisés:

Perméabilité: propriété d'un milieu solide poreux de se laisser traverser par

l'eau.

Infiltration: passage d'un fluide de l'extérieur vers l'intérieur d'un milieu

poreux. Pour qu'il y ait infiltration, il ne suffit pas que le milieu soit perméable, il

faut que la surface qui le sépare de l'extérieur le soit aussi. En Hydrologie,

cette remarque est très importante compte tenu du rôle joué par l'état de la

surface du sol dans le processus du ruissellement.

Absorption: en hydrologie, processus général de rétention de l'eau précipitée

sur un bassin versant, lorsque cette eau est définitivement soustraite au

ruissellement. Elle comprend entre autres l'infiltration.

Le sol par le biais de sa capacité de rétention capillaire et de sa perméabilité

joue un rôle de filtre entre l'atmosphère et le sous-sol. Il va partager les

quantités d'eau précipitées entre ruissellement, stockage, et infiltration.

Diaclases : Cavité de la roche.

Eta

t de

l’art

BV



Le sol se recharge par la pluie et se vidange par ressuyage et par

évapotranspiration.

Le manteau, surtout caractérisé par sa macro-porosité, se recharge par les

apports dus au ressuyage du sol, et se vidange par écoulement gravitaire vers

les nappes ou vers le bas du versant. Cette vidange est plus ou moins rapide

en fonction de la perméabilité des matériaux.

On peut dire que sol et manteau représentent deux réservoirs qui contiennent

plus ou moins d'eau.

Un même épisode pluvieux survenant sur ces réservoirs à des états différents

de saturation va avoir des conséquences hydrologiques très différentes.

Enfin, le sol et le manteau sont soumis aux aléas météorologiques

saisonniers:

=> gel => imperméabilisation du bassin versant

=> immobilisation de l'eau

=> dégel => destockage des eaux gelées

=> sécheresse => dessiccation du sol

dans certains cas déshydratation et

contraction des argiles (fentes de retrait des vertisols) .

2.1.7 La couverture végétale

La couverture végétale d'un bassin versant joue un rôle primordial dans le

déroulement du cycle de l'eau, souvent complexe et contradictoire.

La notion fondamentale est ici celle de couverture, plus ou moins continue,

plus ou moins épaisse, plus ou moins efficace hydrologiquement.

La couverture végétale agit sur le cycle de l'eau par :

sa biomasse aérienne qui :

• intercepte une plus ou moins grande partie des précipitations, et toute

pluie faible en général ;

• capte plus ou moins brouillard et rosée ;

• protège plus ou moins efficacement le sol contre l'insolation donc

l'évaporation et contre l'érosion pluviale ;

sa biomasse souterraine qui:

• pénètre la rhizosphère et structure celle-ci ;

• pompe l'eau du sol et des nappes qu'elle peut atteindre ;

sa vie propre qui commande sa transpiration, proportionnelle à la biomasse

totale ;

Saturation : Proportion de liquide par

rapport a la capacité

d'absorption maximum.

Biomasse : Total des masses

vivantes d'un ensemble.

Rhizosphére : Couche superficielle (10-

50 cm) du sol.

Eta

t de

l’art

BV



ses propres déchets enfin, par la litière produite, devenant humus et matière

organique. Une abondante litière annuelle ameublit les sols lourds, donne du

corps aux sols trop légers, parce qu'elle accroît leur teneur en matière

organique et avec elle, leur capacité de rétention capillaire et leur macro-

porosité.

Mais cette action se différencie selon les formations et les associations

végétales et selon l'intervention des agriculteurs. L'hydrologie des pays

forestiers diffère de celle des pays de prairie, et plus encore des pays

steppiques ou désertiques; et celle des bassins versants défrichés et cultivés

diffère de celle des bassins versants naturels, toutes choses égales par

ailleurs.

On peut distinguer cinq principaux types de couverture végétale:

• la forêt ;

• la prairie ;

• les cultures ;

• les tourbières ;

• la végétation désertique.

La carte de la couverture végétale du bassin versant constitue donc un

document essentiel pour l'hydrologue.

Celui-ci se montre soucieux moins des types de végétation distingués par les

botanistes que:

• des types de couvertures végétales ;

• de l'efficacité de celles-ci face aux aléas météorologiques ;

• de leur comportement hydrologique propre ;

• de leur extension spatiale etc.

Comportement hydrologique de la forêt.

La forêt est d'abord une formation végétale, généralement multi-strate

(arbres, arbustes, arbrisseaux, herbe, mousse etc.) occupant une surface plus

ou moins étendue de manière continue.

La forêt accroît les précipitations annuelles de 5 à 6% dans les pays tempérés

océaniques:

• par effet topographique en pays plat ;

• par effet thermique ;

• par rétention de la litière.

• par effet d'écran sur les brouillards ;

• par sa masse même et sa puissance évaporatoire dans les grandes

cuvettes forestières équatoriales.

Litiére : Dépôts organiques sur le

sol

Eta

t de

l’art

BV



La forêt diminue les précipitations réelles au sol:

• par interception d'une partie de la pluie, tranche de 1 à 5 mm qui se

réévapore le jour même ;

• par sublimation de la neige retenue sur le houppier des arbres.

La forêt accroît les capacités d'emmagasinement des bassins versants:

• par accroissement de la capacité de rétention du sol avec la litière

devenant humus ;

• par diminution de l'évaporation au sol ;

• par une meilleure répartition de la couverture nivale au sol ;

• par réduction de la sublimation de la neige tombée au sol ;

• par une meilleure percolation des eaux gravifiques à travers les sols

mieux aérés, rendus plus macroporeux par les conduits racinaires d'une

rhizosphère généralement épaisse.

Finalement, les sols forestiers qui reçoivent moins de pluie et de neige que les

sols découverts, reçoivent plus d'eau stockable que les espaces voisins

découverts, mais la forêt accroît les pertes des bassins versants par sa

transpiration, surtout si les racines atteignent la frange de capillarité de la

nappe phréatique.

Il faut nuancer ces appréciations selon le type de forêt, mais dans l'ensemble

on peut dire que :

• la forêt diminue la lame d'eau écoulée sous les climats pluviaux ;

• la forêt accroît la lame d'eau écoulée sous les climats nivaux ;

• déboiser ou reboiser perturbe toujours la structure hydrologique initiale.

On peut citer le cas de la forêt (plantée) des Landes de Gascogne, où une

coupe de pinède (coupe toujours à blanc), fait remonter le niveau de la nappe

phréatique de 0,6 à 1 mètre, assez pour que le marécage réapparaisse

parfois.

La forêt régularise le régime des cours d'eau en jouant un rôle écréteur de

crues. Surtout pour les couvertures forestières denses, couvrantes,

protectrices de leur propre sol par leur sous-bois et le tapis herbacé sous forêt.

L'efficacité des grands reboisements français dans les Alpes du Sud, les

Pyrénées Centrales et Orientales, le massif de l'Aigoual (dont les sédiments

se retrouvaient dans le port de Bordeaux et contribuaient pour une très large

part à son envasement) le prouve.

Houppier : Branches contenues

dans les deux premier

tiers de la cime.

Sublimation : Passage de l'état de

glace a l'état de vapeur.

Capillarité : Propriété due à des

phénomènes de surface

se manifestant en

particulier par la

remontée de l'eau dans

des tubes étroits.

Eta

t de

l’art

BV



Comportement hydrologique de la prairie.

Un tapis herbacé bien enraciné brise aussi l'énergie pluviale, bloque l'érosion

ruisselante et l'empêche de devenir ravinante.

Lui aussi joue un rôle régulateur quoique moindre que celui de la forêt:

• son ombre est moindre;

• son horizon racinaire moins épais;

mais l'accumulation d'humus et de matière organique qu'il engendre accroît

beaucoup la capacité de rétention du sol. Cette matière organique ne

s'accumule pas sur le sol comme la litière forestière mais dans le sol, diffuse

dans tout l'horizon racinaire parce que de nombreuses herbes sont des

plantes annuelles dont les racines pourrissent dans le sol, et parce que la

biomasse racinaire l'emporte sur la biomasse aérienne à la différence de la

forêt.

Comportement hydrologique des cultures.

Les cultures ont un rôle hydrologique certain, important, complexe et

différencié en fonction:

• du travail d'ameublissement du sol plus ou moins poussé, plus ou moins

fréquent, plus ou moins profond ;

• de la méthode de travail du sol: à la houe, par traction animale, avec un

matériel lourd, en suivant les isohypses ou non ;

• de la protection plus ou moins efficace des plantes cultivées maïs < blé <

fourrage ;

• du stade végétatif de la plante au moment des fortes pluies ;

• de la structure agraire :

méga-parcelle englobant tout un versant, voire plusieurs ;

mini-parcelles morcelant un même versant avec rideaux.

En bassin Aquitain, la culture du maïs et du sorgho aggrave érosion et crues

inondantes parce que les sols sont travaillés et nus au printemps, saison des

pluies les plus abondantes; la culture en très grandes parcelles aggrave

encore le danger.

Isohypses : Les isohypses sont des

lignes de même

altitude.

Eta

t de

l’art

BV



Comportement hydrologique des tourbières:

La tourbe, véritable formation éponge, peut contenir jusqu'à 80% de son

volume en eau. Elle se comporte comme une éponge naturelle ou un spontex,

gonflant en présence d'eau, en retenant une partie par capillarité, tandis que

sa macro-porosité se sature avec la pluie et se vidange ensuite assez vite.

Par là, les tourbières, plus manteau que couverture végétale par le

comportement, écrêtent les crues mais ne sauraient par elles-mêmes relever

les étiages.

Elles jouent un rôle hydrologique important dans les pays froids et humides,

elles y surélèvent les creux, tapissent les versants.

Déserts climatiques ou "déserts anthropiques".

Dans les régions désertiques, seuls la localisation du substratum, la structure

des sols et l'organisation des différents types de pentes déterminent la

distribution de l'eau dans les divers compartiments :

• les calcaires et autres roches compactes donnent des surfaces rocheuses

structurales lavées à chaque rare pluie ;

• les sables donnent des dunes et des ergs modelés par le vent et

absorbant toute pluie: ici s'observe l'aréisme absolu; (privé d’écoulement

régulier);

Le ruissellement superficiel direct sur substratum est partout le processus

dominant.

2.1.8 Conclusions

Le fonctionnement d'un bassin versant est très complexe et met en jeu de très

nombreux mécanismes qui ont tous, à des degrés divers, leur importance pour

la prédiction de débit en sortie.

Le chapitre suivant explique la méthode développée par M.Delhom [DEL

1997] et l'équipe de l'URA 2053 pour modéliser et simuler le fonctionnement

d'un bassin versant en essayant de le décomposer en différents objets.

Anthropique : Relatif à l'homme ou à

une activité humaine.

Eta

t de

l’art

BV



2.2 Modélisation et simulation orientée objet

Le méthode de modélisation et simulation développée au laboratoire URA

2053 repose sur plusieurs concepts :

• Modélisation à évènements discrets ;

• Modélisation hiérarchisée multi-vue ;

• Modélisation temporelle.

Ces concepts sont développés dans ce chapitre.

2.2.1 Modélisation à évènements discrets

Dans ce paragraphe, nous présentons brièvement le formalisme DEVS

(Discrete Event Systems Specification) proposé par B.P. Zeigler [CON 88,

DEL 89, GAR 86, ZEI 76, ZEI 84, DEL 96b]. Ce formalisme permet la

spécification de systèmes à événements discrets dans une forme modulaire

et hiérarchique. Ses principales caractéristiques sont les suivantes :

Spécification des composants de base à l'aide des concepts d'entrée, de

sortie et d'état. Ce type de spécification résulte en la définition des modèles atomiques.

Un modèle atomique M doit rendre compte de tous les comportements

d'entrée/sortie du système, ainsi que des changements d'états. Il offre donc

une description locale du comportement dynamique du système que l’on

souhaite étudier, et est défini par la structure suivante :

M = < X, S, Y, int, ext, λ, ta >

o˘

X : ensemble des ports d’entrée

S : ensemble des variables d’état et des paramètres.

Y : ensemble des ports de sortie

int : fonction de transition d'état interne

ext : fonction de transition d'état externe

λ : fonction de sortie

ta : fonction d’avancement du temps

Événement discret: Un modèle à temps

discret définit l'état du

système à des temps

dénombrables.

Eta

t de

l’art

MS



Spécification des modèles de composition résultant d'une interconnexion de

composants (modèles atomiques ou modèles de composition).

Un modèle de composition décrit comment connecter de manière hiérarchique

plusieurs composants pour obtenir un modèle plus large. Ce dernier pourra lui

même être considéré comme un composant dans un modèle de composition

plus large. La hiérarchie dont il est fait état ici est une hiérarchie de description.

Pour définir un modèle de composition, on doit spécifier les informations

suivantes :

• les ports d'entrée ;

• les ports de sortie ;

• les noms des composants du modèle ;

• le couplage des entrées : couplage entre les ports d'entrée du modèle de

composition et les ports d'entrée des composants ;

• le couplage des sorties : couplage entre les ports de sortie du modèle de

composition et les ports de sortie des composants ;

• le couplage interne : décrit le couplage des ports de sortie d'un composant

aux ports d'entrée d'autres composants (appelés aussi influencés) ;

• la liste de priorité : qui permet de définir un ordre de priorité entre les

composants du modèle.

2.2.2 Modélisation hiérarchisée et multivues.

Un système peut être vu sous des angles différents et représenté par divers

types de modèles. L'approche de modélisation de systèmes proposée par C.

Oussalah [OUS 88, OUS 95] repose sur deux notions : la notion de vue et la

notion de niveau de compréhension (ou niveau d'abstraction).

Il est souvent nécessaire de décrire un modèle à différents niveaux d'abstraction. Un modèle ainsi décrit est appelé modèle hiérarchisé. A partir

de la notion de graphe, C. Oussalah propose un formalisme de représentation

de ce type de modèle, cette représentation est essentiellement structurelle. Un

nœud du graphe peut être associé à un sous-graphe (cf. Figure 4) qui le

représente à un niveau d'abstraction inférieur.

Niveau d'abstraction: Décrire un modèle à

différents niveaux

d'abstraction permet de

ne présenter que les

informations pertinentes

à un niveau donné.

Eta

t de

l’art

MS



1

23Noeud N

1.1N1

N2

N3 3.13.2

1.2

2.12.2

Niveau N

Niveau N-1

Déc

ompo

sitio

n

Figure 4 : Nœud et sous-graphe

De plus, on est souvent amené à décrire un modèle à l'aide d'un ensemble de

vues distinctes qui décrivent les différents aspects d'un modèle. Les modèles

décrits de cette manière sont appelés modèles multivues.

2.2.3 Modélisation temporelle.

Une modélisation prenant en compte une hiérarchie de type temporelle permet

de faire interagir des objets fonctionnant à différents pas de temps (la seconde

et l’heure par exemple)

2.2.4 Conclusions

Les résultats de cette méthode ne sont pas présentées ici mais sont confinés

en annexe 4 [DEL 97]. Le problème posé par une telle technique est que le

modèle ne correspond qu'au bassin versant modélisé et que de tels modèles

peuvent difficilement prendre en compte les multiples épiphénomènes qui

entrent en jeu dans le comportement d'un bassin versant.

Le temps de modélisation est aussi très long, c'est pour cela que l'utilisation

des réseaux de neurones à été développée.

Eta

t de

l’art

MS



2.3 Principes généraux de modélisation par réseaux de neurones

Les réseaux de neurones RN permettent de modéliser un phénomène à l’aide

d’exemples comportant les entrées X1, … , Xn et les sorties Y1, … , Yn. On

parle ici d’apprentissage supervisé, c’est à dire que l’on connaît la réponse

(Yi) désirée.

Les réseaux de neurones permettent en fait de retrouver un comportement

général à partir de données mesurées grâce à l'apprentissage.

Dans un RN multicouches, on connecte chaque entrée Xi à des neurones

intermédiaires par un lien qui porte un coefficient Wi variable (voir figure 1).

Par analogie avec la biologie, chaque neurone calcule la somme de ses

entrées et transforme cette valeur par une fonction non linéaire (une sigmoïde

par exemple).

Tous ces neurones intermédiaires sont connectés aux neurones de sortie par

des liens pondérés par un coefficient Zk.

Lors de l’apprentissage, on démarre avec des valeurs de Wi et Zk aléatoires et

on cherche ensuite, par une méthode d’optimisation, à déterminer un jeu de

coefficients qui minimise l’erreur entre la réalité et ce que prédit le modèle.

Cette procédure est itérative (consommation importante de ressources

informatiques), mais il n’est pas nécessaire de connaître la nature des non-

linéarités pour la modéliser. Si les entrées sont de dimension 4, pour X1 =

(x1,1, x2,1, x3,1, x4,1) on a la représentation suivante :

Généralement la sortie V1 du RN est différente de la sortie souhaitée Y1. un

algorithme permet de modifier les coefficients Wi et Zj afin de minimiser l’écart

entre V et Y.

Figure 5 : Représentation schématique d’un réseau de neurones multicouche.

RN multicouches: Réseau de

neurones où les

couches d'entrée et

de sortie sont

séparées par des

couches dites

"cachées"

Eta

t de

l’art

RN



Au départ, les concepts de RN multicouches sont basés sur une analogie

avec les neurones biologiques :

1. principe de fonctionnement d’automates recevant de l’information de

plusieurs entrées pondérées et délivrant leur information sur une sortie,

fonction non linéaire (seuil pour le neurone biologique qui peut être

modélisé par une sigmoïde) de la somme de ses entrées ;

2. connexion entre les neurones d’entrée (capteurs) et des neurones

intermédiaires pour obtenir une décision (sortie) ;

3. processus lent d’apprentissage par répétition d’exemples ;

4. processus rapide, après apprentissage, d’estimation de la sortie pour de

nouvelles entrées.

Néanmoins, cette analogie doit être tempérée sur deux points :

1. les neurones biologiques fonctionnent avec des transmissions

d’informations de manière fréquentielle, alors que les RN multicouches ne

propagent l’information qu’une fois dans chaque connexion pour obtenir

une réponse ;

2. la complexité du cerveau est sans commune mesure avec celle des RN

multicouches (on ne modélise qu’une fonction élémentaire). Le nombre de

neurones biologiques est de l’ordre de 1012 alors que pour les modèles

RN il est de l’ordre de 10 à 103.

Intérêts des RN :

1. capacité de modélisation non-linéaire ;

2. les non-linéarités n’ont pas à être connues explicitement ;

3. calcul rapide de l’estimation d’un nouveau exemple ;

4. intérêt d’utiliser cette technique en complément de statistiques pour

confronter (conforter ou infirmer) les résultats.

Limites des RN :

1. pas d’extrapolation (validité du modèle limitée au domaine

d’apprentissage) ;

2. apprentissage plus complexe qu’un modèle de régression (choix de

paramètres) ;

3. apprentissage du modèle peut être long (quelques minutes à quelques

jours) ;

4. pas d’intervalle de confiance dans le résultat : il n’y a pas de modèle

explicite (comme ce serait le cas pour une droite de régression) et pas

d’hypothèse sur la répartition de l’erreur ;

5. nécessité d’un nombre suffisant d’exemples pour apprendre et valider le

modèle ;

Automate: "machine à faire

automatiquement des

mathématiques" selon

A.Turing [TUR 36]

Connexion: On peut comparer les

connexions des

neurones artificiels aux

synapses des neurones

biologiques.

Régression: Technique permettant de

mesurer l'impact d'une

variable sur une autre.

Eta

t de

l’art

RN



Pour la mise au point d’un modèle RN, on partage l’ensemble d’exemples

disponibles en deux parties A (apprentissage) et T (test). Une fois les

coefficients du RN optimisés pour les exemples d’apprentissage, on présente

au RN les exemples T, dont on connaît la sortie souhaitée Y qu’on compare

avec la sortie RN. Un grand écart entre ces deux sorties pour les exemples

dans T témoigne d’un mauvais apprentissage. Une des raisons possibles d’un

mauvais apprentissage est la mauvaise répartition des exemples entre les

ensembles A et T. Il est donc nécessaire de faire une répartition telle que ces

deux ensembles représentent de façon homogène l’ensemble des exemples.

2.3.1 Choix des Algorithmes.

On assimile ici les bassins versants a une série temporelle, réagissant a

certains cycles selon différentes données.

L’algorithme de rétro propagation du gradient [TOU 92 ] semble approprié

pour ce type de problème, plusieurs années de données journalières sont à

disposition, offrant un nombre suffisant d’échantillons pour espérer que le

réseau généralise.

La précision de sortie étant déterminante, au détriment du temps

d’apprentissage les expériences seront menées sur des fonction d'activations

de type sigmoïde et gaussiennes.

Fonction Gaussienne.

Fonction Sigmoïde.

Ensemble de test: Aussi appelé set de

validation, il

correspondra à une

période donnée dans le

cas d'un prédiction de

série temporelle .

Retro propagation du gradient:

Algorithme ou l'a

différence entre la sortie

désirée et la sortie

propagée (le gradient)

modifie les poids des

neurones de sortie aux

neurones d'entrée (retro

propagation).

L'amplitude de cette

modification étant

relative au taux

d'apprentissage.

E

tat d

e l’a

rt R

N



La fonction sigmoïde est plus complexe que la fonction gaussienne et, de fait,

allonge le temps d’apprentissage. Toutefois elle permet une approximation

plus précise que la gaussienne qui est plutôt utile à la prédiction de tendance

ou à l’aide à la décision.

Le moment ici est géré de façon linéaire, et le taux de régression est

paramétrable dans l’interface.

Le but principal de cette application est de valider les concepts développés

par F.Chiari et M.Delhom [CHI 2000], aucun algorithme d’accélération de

l’apprentissage (telle Quickprop) ne semble utile.

2.3.2 Conclusions

La modélisation de systèmes naturels tels que les bassins versants se révèle

être une tache difficile, car très complexe au vu du nombre des phénomènes

à prendre en compte.

Une modélisation grâce aux réseaux de neurones permet donc de passer

outre ces problèmes si une quantité suffisante de données est disponible.

Le problème du stockage de donnée se pose donc, mais des solutions

adaptée au problème existent. Le logiciel utilise un SIG, ArcView pour le

stockage de ces données.

Moment: Facteur de régression du

taux d'apprentissage, il

diminue les

changements apportés

aux poids au fur et à

mesure des passes.

En effet plus un réseau

apprend, moins les

changements doivent

êtres importants.

Eta

t de

l’art

RN



2.4 Les SIG

2.4.1 Les systèmes d’informations géographique

Les systèmes d'informations géographique sont des systèmes automatisés

d'enregistrement et d'analyse des données dont le matériel et le logiciel ont

été spécialement conçus pour traiter des données géographiquement

référencées et les attributs qui s'y rapportent. Cette définition issue de

l'ouvrage intitulé « Les mots de la Géographie » [BRU 94] est semblable à la

définition des SIG qu'a donné Aronoff en 1989 [ARO 89]. Selon lui, "le SIG est

approprié pour la collecte, le stockage et l'analyse des objets et phénomènes

où la localisation géographique est un critère important voire critique à

l'analyse". Il faut distinguer la définition américaine qui insiste sur les fonctions

techniques (système informatique de matériels, de logiciels et de processus

conçus pour permettre la collecte, la gestion, la manipulation, l'analyse, la

modélisation et l'affichage des données à référence spatiale afin de résoudre

des problèmes complexes d'aménagement et de gestion) et la définition

française qui insiste sur la finalité des SIG (ensemble de données repérées

dans l'espace, structurés de façon à pouvoir en extraire commodément des

synthèses utiles à la décision.

Figure 6 : Vue d'ArcView

ArcView : Développé par ESRI

(leader dans le domaine

des SIG), ArcView est

un système intégré

comprenant les

principales fonctions que

l'on peut attendre d'un

SIG.

Sa modularité permet

aussi d'étendre ses

capacités à des besoins

plus spécifiques.

Eta

t de

l’art

SI



2.4.2 Intégration avec le SIG ArcView

Afin de finaliser nos travaux nous avons choisi un bassin versant sur lequel

nous disposons de données : le bassin versant du Rizzanese (Corse du Sud).

Ce bassin versant a été modélisé dans Arcview, notamment à l’aide de

données géographiques collectées par l’IGN (Institut Géographique National).

Après un pré-traitement de données, le module développé en Java permet de

réaliser différentes expérimentations afin de choisir les prédictions les plus

précises. Le module Data Selector permet de choisir parmi les données celles

qui constituent les entrées du réseau de neurones afin de prédire en sortie les

débits du bassin versant. Les résultats de la simulation sont stockés dans le

SIG.

2.5 Travaux déjà réalisés, projets internationaux sur le sujet

Différentes méthodes existent afin de simuler le processus pluie/débit d’un

bassin versant [DEL 97][MAI 88][ZEA 99]. Ces méthodes sont soit basées sur

des régressions linéaires dans le temps, soit sur la résolution d’équations différentielles. Les résultats ne sont pas suffisamment précis, ceci est dû aux

limites même de ces méthodes :

• Les premières ont des difficulté à prendre en compte la non linéarité du

processus pluie/débit;

• pour les secondes, la non-connaissance de certains paramètres

physiques contraint à simplifier les équations du modèle.

Des méthodes orientées objets sont aussi développées notamment à

l'Université du Texas en partenariat avec l'ESRI.

2.6 Conclusions

A l’Université de Corse, nous avions étudiés une approche basée sur la

modélisation et simulation orientées objets qui nous avais permis de définir

l’architecture d’un simulateur.

Cette approche consistait à représenter le comportement de systèmes

naturels en utilisant des lois mathématiques et physiques. Le bassin versant

étant considéré dans sa globalité, sans prendre en compte sa complexité. De

plus, le modèle de simulation ne prenait pas en compte certains types de

données telles que la végétation, l’altitude,…

Afin d’étudier le comportement hydrologique d’un bassin versant et face à ce

type de limites, nous avons choisi de développer une approche originale

basée sur un modèle hybride intégrant les SIG et la simulation à l’aide de

réseaux de neurones.

Java : Langage orienté Objet

développé par SUN.

Equation différentielle : Equation liant une

fonction à variable

réelle et ses dérivées

successives .

Eta

t de

l’art

SI



3 Analyse

3.1 Principe de fonctionnement du logiciel

Le principe de fonctionnement du logiciel est décrit Figure 7 [CHI 2000]. La

simulation se déroule en 3 phases :

1. Collecte des données et modélisation du bassin versant dans Arcview

2. Pré Traitement des données notamment à l'aide des extensions "Spatial Analyst" et "Hydrologic Modelling"

3. Construction du réseau de neurones

Selon les différents types de données enregistrées dans le SIG, le logiciel

permet la construction d'un réseau de neurones qui prévoira les débits du

bassin versant. Ces débits seront enregistrés comme nouvelle couche dans le

SIG.

Le but du stage est de proposer une architecture logicielle et de développer le

code correspondant à ce principe.

Figure 7 : Fonctionnement général du logiciel

Spatial analyst : Extension d'ArcView

permettant le pré-

traitement de données

topographiques.

Hydrologic Modelling : Extension d'ArcView

permettant le pré-

traitement de données

Hydrologiques.

Ana

lyse

PR

I



3.2 Hypothèses de développement

S’appuyant sur de travaux déjà réalisés, plusieurs hypothèses générales

d'architectures ont étés imaginées, seule la première fut développée pour

valider le système général. On remarquera la modularité de l’architecture

permettant l’évolution facile du système dans les architectures plus

complexes.

3.2.1 Réseau retro propagation simple

Le nombre de neurones d’entrées est variable. Une seule sortie est ici

possible, toutes les entrées sont des vecteurs qui sont regroupés dans une

matrice d’entrée.

Figure 8 : Hypothèse d'architecture N°1

Modularité : Capacité d'adaptation

grâce à une

architecture

décomposée en

modules.

Ana

lyse

HYP



3.2.2 Réseaux de neurones piloté par algorithme de sélection.

Permettant de developper des modéles polymorphes. Par rapport à la

première idée une boite noire essayera d'adapter le réseau de neurones pour

obtenir les meilleurs résultats en utilisant les concepts de la logique floue ou

de sélection génétique ; l’utilisateur laissera la machine trouver les meilleurs

algorithmes et les meilleurs valeurs pour l’apprentissage. Ce processus est

très gourmand en calcul et nécessitera le développement d’un système de

calcul partagé par réseau.

Polymorphe : Pouvant prendre

plusieurs formes.

Figure 9 : Hypothèse d'architecture n°2

Ana

lyse

HYP



3.2.3 Intégration de classes d’événements discrets.

Le modélisateur pourra grâce à cette architecture mélanger sous modèles

discrets et sous modèles connexionnistes. La supervision de l’entraînement

des réseaux de neurones nécessitera l’adaptation de chaque modèle dans

certaines configurations.


Connexionisme : ensemble de sous-

disciplines ayant en

commun la métaphore

"neuronale":

Ana

lyse

HYP



3.2.4 Algorithme de sélection pilotant l’architecture d’un réseau modulaire DEVS.

Le modélisateur pourrai ici laisser un algorithme de sélection terminer,

affiner ou même construire son modèle (le modèle ainsi créé n’étant pas le

meilleur mais relativement bon).

Le travail du modélisateur pourrais être ainsi remplacé par du temps de calcul.


Algorithme de sélection : Algorithme permettant le

choix selon une analyse

multi-critères.

Ana

lyse

HYP



3.3 Architecture du logiciel

Seule la première hypothèse de développement fut développée pour valider

l’architecture générale.

Le logiciel est construit autour de cinq principaux modules :

1. GIS connector : permet de réaliser l’interface entre notre logiciel et

Arcview ;

2. Data selector : permet de choisir les données alimentant le moteur de

réseau de neurones ;

3. Le Neural Network Engine permet de définir les entrées et les sorties du

réseau, de construire le réseau de neurones (nombre de neurones,

couche, algorithmes d’apprentissage et paramètre) et d’entraîner le

réseau ;

4. Le Prediction module qui, à partir des résultats du réseau entraîné, calcule

une sortie pour de nouvelles valeurs présentés en entrée ;

5. Le module Graphical User Interface.

Figure 12 : Architecture Logicielle

Module : Elément constitutif du

système.

Ana

lyse

AR

C



3.4 Spécifications.

L'approche UML est le résultat d'un effort d'unification des méthodes de

modélisation à un seul langage de modélisation. Le but est d'abord de définir

un langage universel pour la modélisation objet et la standardisation du

processus de développement objet [MUL 99].

Symboles :

Associations, Relations: Vers un seul sens:

Vers les deux sens:

Rôles: au début et à la fin de la flèche qui indique le sens de l'association.

Cardinalités: 1 . .1, 0 . .*, 0 . .1, 1 . .*

Un à un: 1 . .1

Un à plusieurs: 1 . .*

Plusieurs à plusieurs : 0 . .*

Agrégation

Héritage

Unified Modeling Language : Langage de

modélisation unifié .

Ana

lyse

SPE



3.4.1 Schémas UML

Les schémas suivants sont les descriptions UML des classes écrites en JAVA

correspondant à l’architecture décrite dans le chapitre 3.3.

La première figure (fig. 13) est une vue générale montrant les interactions

entres les classes ; les deux schémas suivants sont les descriptions détaillées

avec propriétés et méthodes des modules internes (fig. 14) et de l’interface

graphique (fig.15).

Vue générale

Figure 13 : Schéma UML, vue générale

Ana

lyse

UM

L



Modules internes

Figure 14 : UML, Modules internes

Légende :

Nom (Paquetage)

Propriétés

Méthodes

Ana

lyse

UM

L



Interface graphique

Figure 15 : UML interface graphique

Ana

lyse

UM

L



3.4.2 Classes :

3.4.2.1 Descriptions.

ANN : Réseau de neurones contient les algorithmes de retro propagation, les

données et les méthodes pour l'interrogation et le stockage des poids d'un

réseau de neurones multicouche.

BDConnection : Connections à une base de données via ODBC.

Cconnection : Interface graphique, contient le composant de connexion.

CFeed : Interface graphique, contient un faisceau d'entrée.

CNeuro : Interface graphique, contient le réseau de neurones.

CTrainer : Interface graphique, contient le superviseur d'entraînement.

CWriter : Interface graphique, contient le lecteur de réseau de neurones.

Feed : Faisceau de valeurs, vecteur à fenêtre mobile.

FileConnection : Classe de connexion à un fichier ascii. FlowPanel : Interface graphique, panneau contenant les composants.

Graphique : Fenêtre de graphe simple, dessinant une courbe à partir d'un

vecteur d'entrée et se rafraîchissant à intervals définis.

GUIconnect : Interface graphique, fenêtre de connexion

GUIcontainer : Interface graphique, application générale

ImageWriter : Permet de tracer l'activité d'une fenêtre dans une série de

fichiers.

NComponent : Interface graphique, classe abstraite de composants.

NConnection : Classe abstraite de connexion indépendante du système.

ODBC : Open Database

Connectivity. Norme de

communication avec une

base de données.

Faisceau : Vecteur de données

mobiles (classe Feed).

Ascii : American Standard

Code for Information

Exchange

Format de texte le plus

commun définit par

l'ANSI.

Ana

lyse

CLA



NeuroMotor : Rafraîchit le réseau de neurones à intervalles définis.

NeuroReader : Interroge et formate les sorties du réseau de neurones.

neuroShed : Classe principale de lancement.

NFileSave : Interface graphique, ouvre une fenêtre de sauvegarde ou

d'ouverture de fichier.

PANN : Interface graphique, panneau de propriété du réseau de neurones.

PConnection : Interface graphique, panneau de propriétés de la connexion.

PFeed : Interface graphique, panneau de propriétés de chaque donnée

d'entrée.

PPanel : Interface graphique, classe abstraite de panneau de propriétés.

PTrainer : Interface graphique, panneau de propriétés du superviseur

d'entraînement.

PWriter : Interface graphique, Panneau de propriété du lecteur de réseau de

neurones.

Trainer : Superviseur de réseau de neurones, formate les données d'entrée et

lance un moteur d'entraînement de réseau de neurones.

weightWatcher : Permet de suivre les poids des neurones d'une couche

donnée.

Panneau : Conteneur de

composants graphiques

tels que des boutons,

zones de texte, etc....

Ana

lyse

CLA



3.4.2.2 Hiérarchie des classes.

Nous decrivons ici l’arbre d’heritage, les classes surlignées sont les classes

développées pour les besoins du logiciel tandis que les autres font partie des

paquetages standards JAVA 1.2.

class java.lang.Object

class java.util.AbstractCollection (implements java.util.Collection) class java.util.AbstractList (implements java.util.List)

class java.util.Vector (implements java.lang.Cloneable, java.util.List, java.io.Serializable)

class neuroshed.Feed class neuroshed.ANN class java.awt.Component (implements java.awt.image.ImageObserver,

java.awt.MenuContainer, java.io.Serializable) . class java.awt.Container

class javax.swing.JComponent (implements java.io.Serializable) class neuroshed.FlowPanel class javax.swing.JPanel (implements javax.accessibility.Accessible)

class neuroshed.PPanel class neuroshed.PANN class neuroshed.PConnection class neuroshed.PFeed class neuroshed.PTrainer class neuroshed.PWriter

class neuroshed.NComponent class neuroshed.CConnection class neuroshed.CFeed class neuroshed.CNeuro class neuroshed.CTrainer class neuroshed.CWriter

class java.awt.Window class java.awt.Frame (implements java.awt.MenuContainer)

class javax.swing.JFrame (implements javax.accessibility.Accessible, javax.swing.RootPaneContainer, javax.swing.WindowConstants)

class neuroshed.Graphique (implements java.lang.Runnable) class neuroshed.GUIconnect class neuroshed.GUIcontainer class neuroshed.NFileSave class neuroshed.weightWatcher (implements

java.lang.Runnable) class neuroshed.ImageWriter (implements java.lang.Runnable) class neuroshed.NConnection

class neuroshed.BDConnection class neuroshed.FileConnection

class neuroshed.NeuroMotor (implements java.lang.Runnable) class neuroshed.NeuroReader (implements java.lang.Runnable) class neuroshed.neuroShed class neuroshed.Trainer (implements java.lang.Cloneable)

Ana

lyse

CLA



4 Conception et Programmation

4.1 Choix du langage.

Le langage JAVA fut choisi pour sa grande intégration UML/IDL, son aspect

multi-plateformes sa mise en œuvre facile de CORBA et sa facilité de

développement [MIR 99].

ESRI recommande l’utilisation de JAVA pour les programmes optionnels

d’ARCVIEW, et la grande portabilité du système permettra de l’intégrer très

facilement à d’autres logiciels.

4.2 Fonctionnement du logiciel

Nous présentons ici les différents écrans du logiciel, ce qui illustrera

simplement son fonctionnement.

Figure 16 : Description de l'interface

Portabilité : Capacité d'adaptation a

d'autres plates-formes.

Con

cept

ion

et p

rogr

amm

atio

n FO

N



Préparer l'expérience

Figure 17 : Réalisation d’une connexion

Figure 18 : Préparation de l'expérience

Con

cept

ion

et p

rogr

amm

atio

n FO

N



Création du réseau de neurones

Figure 19 : Choix des données

Figure 20 : Création du réseau de neurones

Con

cept

ion

et p

rogr

amm

atio

n FO

N



Une grande attention fut portée à définir une interface graphique aussi claire et

agréable que possible, cet outil n'étant pas destiné uniquement aux

informaticiens mais aussi aux hydrologues et physiciens.

Ainsi l'aspect général du logiciel se veut facile et ergonomique au possible

pour les néophytes voulant juste réaliser des expériences.

Figure 21 : Entraînement C

once

ptio

n et

pro

gram

mat

ion

FON



La lecture des résultats n'est pas obligatoirement réalisée à la fin de

l'expérience, elle peut intervenir a tout moment de l'apprentissage.

Des fonctions plus évoluées de suivi des différents graphes et valeurs ont

aussi étés implémentées mais elles ne sont toutefois pas exposées ici, une

animation étant difficile à intégrer dans un rapport papier.

Elle permettent de relever les graphes et cartes à intervalles réguliers pour

obtenir leur évolution dans le temps.

La sortie du réseau (prédiction) est automatiquement sauvegardée dans la

sortie définie dans les paramètres, à savoir soit dans un fichier texte, soit dans

une base de données.

Figure 22 : Résultats

Con

cept

ion

et p

rogr

amm

atio

n FO

N



4.3 Réutilisation des classes java.

L'ergonomie du logiciel fut une préoccupation constante tout au long du

développement de ce logiciel qui est destiné au non informaticien.

L'utilisation des classes SWING fut donc intensive et un propre kit de

développement d'interface graphique en dériva.

L'idée générale ici fut de rapprocher le plus possible le synoptique du

fonctionnement physique du fonctionnement informatique.

4.4 Planning de développement.

Il est décrit ici les différentes tâches effectuées pendant le stage.

1. Familiarisation avec le travail effectué par l'équipe Info (Articles, Thèmes de

Recherche,…).

2. Etude du panorama des SIG existants (commerciaux et domaines publics)

et choix d'une solution SIG.

3. Analyse des différents algorithmes et topologies de Réseaux de Neurones

Artificiels. Définition des spécifications du module à développer.

4. Conception et Programmation du module.

5. Elaboration de l'interface Homme/Machine.

6. Analyse des résultats et évaluation du logiciel.

7. Rédaction du rapport de stage.

4.5 Code. (cf. annexe 5)

Le code fut écrit en JAVA selon l'analyse UML du chapitre 3.4.

Ergonomie : Etude des relations

entre le travail et

l'environnement de

travail.

ID

1

2

3

4

5

6

7

Nom de tâche

Prise de Contact

SIG/spécifs

RdN

Prog

IHM

Résultats

Rédaction Rapport

Date début

02/05/00

02/05/00

19/05/00

29/05/00

02/08/00

10/08/00

01/05/00

Date fin

19/05/00

19/05/00

29/05/00

11/08/00

29/08/00

31/08/00

15/09/00

14j

14j

7j

55j

20j

16j

100j

Mai Juin Juillet Août

2000Durée

Figure 23 : Graphe de Gantt des taches.

Con

cept

ion

et p

rogr

amm

atio

n PL

A



4.6 Couplage ArcView.

Trois méthodes sont possibles pour faire interagir ArcView et NeuroShed.

Via un lien ODBC, NeuroShed lit les données de la table Arcview et écrit dans

les champs spécifiés au logiciel.

En attaquant directement des tables en ASCII. Le logiciel écrit ses prédictions

dans une colonne, ligne ou même dans un autre fichier réutilisable par

ArcView.

En utilisant des variables passées au SIG et récupérées par un script, les

ressources nécessaires sont cependant si lourdes que cette méthode est

réservée aux très petits projets.

Pour lancer Neurohed a partir d’ArcView, un script à été développé en

Avenue, il permet de passer les fichiers de configuration à ouvrir par le

logiciel.

4.7 Outils de gestion de projet.

Pour communiquer

avec les différents

acteurs du projet, un

site web vitrine du

projet fut mis en

place à l'adresse

http://perceptron.mult

imania.com

Toutes les étapes du développement, les différentes versions du logiciel, les

compte rendus d'expériences, la bibliographie, les sources, l'état

d'avancement et même ce rapport y furent consignées quasiment tout les

jours pour permettre aux différents acteurs de réagir et de suivre le travail en

temps réel.

Figure 24 : Vue

du site de

développement

Champ : Zone mémoire d'une

base de données.

Script : Micro code servant a

automatiser des

taches spécifiques à

un logiciel.

Con

cept

ion

et p

rogr

amm

atio

n G

ES



5 Exemples d'expérimentations Trois expériences sont compilées dans cette section, elles montrent le chemin

type pour l’élaboration d’un modèle performant.

5.1 Première expérience

5.1.1 Configuration de l'expérience

Toutes les données accessibles sont présentées au RDN.

La durée de la fenêtre est de 30 jours pour prédire le débit du jour d'après.

Les synapses sont normées de -1 à +1 et la fonction d'activation est une

sigmoïde.

5.1.2 Résultats

Les années d'apprentissage sont 85,86,87 avec 50000 passes.

La correspondance entre les données du test d'apprentissage et les

prédictions du RDN sont quasi parfaites, au dépens de sa capacité de

généralisation.

Un entraînement moins long et sur une période plus longue est donc

nécessaire. Le but ici est de valider l'architecture et de déterminer des

ensembles d'entraînement remarquables.

Fenêtre : Période sur laquelle

se fera les

apprentissages

successifs.

Passe : Apprentissage

successif de toutes

les fenêtres sur la

période

d'apprentissage.

Figure 25 : Exp1, Configuration de l'expérience

Exe

mpl

e d’

expé

rimen

tatio

n 1



Figure 26 : Résultats De la première expérience

1982

1983

1984

1985

1986

1987

1988

1989

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Exe

mpl

e d’

expé

rimen

tatio

n 1



5.2 Deuxième expérience.



La durée de la fenêtre est de 30 jours pour prédire le débit du jour d'après.

(30/0-30/0-30/0-30/0 sortie 1/1)


sigmoïde.

5.2.2 Résultats

Après analyse de la première expérience, il fut utilisé une période plus longue

ainsi qu'un nombre de passes moins élevé (80-86, 10000 passes)

5.2.3 La carte de la couche cachée

Figure 28 : Exp. 2, La carte de la couche cachée

temps -30 jours

-1 jour

-30

-1

-30

-1

-30

-1

Figure 27 : Exp1, Configuration de l'expérience

Exe

mpl

e d’

expé

rimen

tatio

n 2



La figure 24 représente la carte d'activité de la couche cachée (en blanc se

trouvent les liaisons les plus actives)

On remarque une certaine similarité dans le traitement des deux

températures, le débit à j-1 semble toujours très actif, comme la pluie à j-1.

La carte d'activité par neurone (fig.25) montre l'activité cumulée des

connections d'entrées par neurones de la couche cachée.

On peut remarquer ici que le réseau utilise les données les plus récentes pour

calculer ses prédictions. L'essentiel des données utilisées se trouve entre j-4

et j-1 pour la pluie et le débit.

On remarquera aussi l'importance de la pluie à J-1, qui représente le

ruissellement.

Figure 29 : Exp2, Activité de la couche cachée

Figure 30 : Exp2, Activité par neurone

Exe

mpl

e d’

expé

rimen

tatio

n 2



5.2.3.1 Lectures du RDN.

Figure 31 : Résultats expérience 2

La période d'apprentissage est de 1980 à 1986 pour 10000 passes


prédictions du RDN est très bonne, mais on remarque une amélioration des

résultats sur l’ensemble de validation (87-90), le réseau généralise donc un

peu plus.

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Exe

mpl

e d’

expé

rimen

tatio

n 2



5.3 Troisième expérience.



La durée de la fenêtre est de 30 jours pour prédire le débit du jour en utilisant

le débit du jour précédent. (30/1-30/1-30/1-30/0 sortie 1/1).


sigmoïde.

5.3.2 Résultats.

Après analyse de la deuxième expérience, l'entraînement se fit sur la même

période mais sur un nombre de passes moins élevé (80-86, 1500 passes)

Figure 32 : Exp. 3, configuration de l'expérience

Exe

mpl

e d’

expé

rimen

tatio

n 3



5.3.2.1 La carte de la couche cachée

Le débit étant ici la seule valeur calée au jour précédent, on distingue ici

nettement l’importance de la pluie à J et J-1, La température du matin (rosée)

semble plus active que la température du soir (Temp2).

Après traitement numérique (détection de contours, augmentation de

contraste) on obtient le résultat présenté en figure 34 :

Comme lors de l’expérience 2, les deux températures semblent ici avoir subi

le même traitement, même si la température matin est plus importante.

On peut voir que les traitements des données du débit sont peu actifs à

l’exception du débit à J-1.

Figure 33 : Exp. 3, carte de la couche cachée

Figure 34 : Exp3, Activité de la couche cachée

Détection de contour : Analyse des zones

ou le contraste est le

plus fort pour

pouvoir les surligner.

Exem

ple

d’ex

périm

enta

tion

3

Exe

mpl

e d’

expé

rimen

tatio

n 3



Le faible nombre de passes (1500) ne permet pas ici un contraste aussi fort

que dans l’expérience 2.

On peut remarquer ici que le réseau utilise les données les plus récentes pour

calculer ses prédictions. L'essentiel des données utilisées se trouve entre j-4

et j pour la pluie et la température.

Quatre zones se démarquent dans le traitement de la pluie, il est possible de

comparer ces quatre zones aux phénomènes hydrologiques expliqués dans le

chapitre 2.2.2.

1. de J à J-1, Ecoulement de surface

2. de J-1 à J-8, Infiltrations des couches hautes

3. de J-8 à J-20, Infiltrations des couches basses

4. de j-20 à J-30 et plus, Ecoulements souterrains

Il apparaît ici que peu de données présentées au réseau sont en fait utilisées,

Si ici on essaye de modéliser le comportement grâce à cette technique c’est

que on ne connais justement pas toutes les données réellement

déterminantes.

On laisse alors le réseau choisir parmi les données présentées, au détriment

du temps d’apprentissage.

Figure 35 : Exp3, Activité par neurones

Exe

mpl

e d’

expé

rimen

tatio

n 3



5.3.2.2 Lectures du réseau de neurones.

Figure 36 : Exp. 3, première lecture du réseau

La période d'apprentissage est de 1980 à 1986 pour 1500 passes


prédictions du RDN sont bonnes, et aussi bonnes que sur le set de validation,

le réseau généralise donc plus que lors des expérience précédentes, reste à

l'affiner.

Pour cela, on augmente le moment de l’apprentissage, ainsi le taux

d’apprentissage décroîtra rapidement et les changements seront donc de plus

en plus minimes.

Le résultat escompté est que le réseau ne perde pas sa capacité de

généralisation et améliore ses prédictions.

Le moment est donc ramené à 0.9 et l’apprentissage est relancé.

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Exe

mpl

e d’

expé

rimen

tatio

n 3



Figure 37 : Exp. 3, seconde lecture du réseau

Après 72983 passes on peut remarquer que si ‘ensemble d’apprentissage est

complètement appris, le réseau a gardé une très bonne capacité de

généralisation et les résultats sont très bons jusqu’en 1990.

5.3.3 Conclusions

Les trois expériences montrent le cheminement type pour obtenir un modèle

performant, on teste d’abord avec les paramètres par défaut, puis on modifie

grossièrement ces paramètres afin de trouver les données pertinentes puis

finalement on ajuste ces paramètres pour affiner le modèle.

Toutes les capacités du logiciel n’ont toutefois pas été utilisées, il est en effet

possible avec cette version de faire de l’apprentissage parallèle et

concurrentiel pour accélérer ce processus de modélisation, mais discuter de

ces possibilités étendues sont d’un intérêt limité dans le cadre de ce rapport.

Ce logiciel, développé à l’Université de Corse démontre qu’il est facile de

modéliser puis de simuler le comportement d’un bassin versant grâce aux

réseaux de neurones, chose plus ardue à réaliser en modélisation et

simulation orientées objets.

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Débit réel

Prédictions

Temps

Exe

mpl

e d’

expé

rimen

tatio

n 3



6 Ouvertures possibles / Conclusion:

6.1 Etendue du couplage (interaction SIG-application), coupes,

calcul de pente.

Grâces aux nombreux modules d'ARCVIEW, ou des capacités de traitements

d'autres SIG, il est possible de faire un pré-traitement de données plus

complexe à présenter à l'entrée du réseau de neurones.

Il est possible d'imaginer que le réseau de neurones puisse recevoir

directement en entrée une matrice de pluie, une couverture neigeuse, la pente

moyenne ou une coupe du lit de la rivière calculée selon des méthodes

physiques éprouvées et des relevés linimétriques.

Cela reviendrait toutefois à faire un couplage entre modèle connexionniste et

modèle discret, laissant au réseau de neurone uniquement le contrôle sur les

points où les théories hydrologiques sont les moins performantes.

6.2 Ajout de modèles atomiques à traitements numériques.

L'étendue du couplage serait ici extrême, car le SIG ne serait alors utilise que

pour ses capacités de bases de données. Le traitement étant pris en charge

par des modèles discrets et neuronaux couplés entres eux.

Une telle formalisation permettrait aux spécialistes de se concentrer sur son

domaine de compétence, créant des "boites noires" que le modélisateur

pourrait facilement connecter entres elles.

L' hydrologue, le biologiste, le climatologue ne se concentrant que sur leurs

domaines respectifs, un expert artificiel peut éventuellement remplacer les

zones obscures du super modèle ainsi créé.

Un algorithme de sélection pourrait ensuite tester successivement les

différentes possibilités d'interconnexions et placer des modèles neuronaux

lorsque le modèle physique n'est pas assez performant.

Avec une bonne gestion du retour d'erreur une telle configuration permet aussi

de tracer l'erreur, de déterminer son origine pour améliorer le système.

6.3 Intégration des modéles atomiques connexionnistes dans la

méthodologie de Modélisation et Simulation Orientée Objet

développée à l'URA 2053.

Une grande partie des travaux de recherches menés à l'URA 2053 de

l'Université de Corse ont permis d'améliorer les concepts développés dans le

domaine de la simulation à évènements discrets.

Pour réaliser les expérience proposées dans le chapitre 6.1 et 6.2 il semble

donc nécessaire de formaliser un modèle de réseaux de neurones qui

Boites noires : Modèle protégé ou

seules les entrées et les

sorties sont accessibles.

Con

clus

ion



respecte l'intégrité de la méthode de modélisation / simulation orientées objets

de l'Université.

6.4 Créations de bibliothèques UML de modélisation de

Systèmes naturels.

Utiliser le formalisme UML/IDL garantit un portage plus facile, une meilleure

lisibilité et des méthodes éprouvées de développement.

On peut aussi remarquer que des SIG comme ARCINFO permettent

l'utilisation de classes UML au sein de leur programme.

Le développement de tous ces concepts se fera normalement en utilisant ces

méthodes, mais il est nécessaires que les modèles produits par les outils

développés suivent aussi cette norme.

Un système de modélisation, si il est développé, travaillerait donc sur des

modèles directement conformes à UML.

6.5 Intérêts du stage, travaux à réaliser.

Les connaissances que j'ai pu développer durant mon stage s’articulent non

seulement autour de la modélisation/simulation, du connexionisme, de la

conception UML ou la Programmation Objets en JAVA, mais j'ai aussi pu

comprendre et acquérir les sens de travail d'équipe, de collaboration,

d'ouverture d'esprit, de communication.

Les résultats apportés par l'application sont très encourageants, et le couplage

avec la méthode de modélisation/simulation développée à l'université de

Corse semble très prometteur.

Une très récente publication de Hod Lipson et Jordan b. Pollack dans Nature

[LIP 2000] montre comment des robots dotés d'une vie virtuelle peuvent

s'adapter à leur environnement, il n'est pas impossible de penser que des

modèles complètement évolutifs pourront êtres développés grâce à ce

formalisme.

De tels modèles permettraient de s'adapter à leur environnement (en cas de

feu sur le bassin versant par exemple), comme le font les robots, en utilisant

les briques que seront les bibliothèques développées par les physiciens,

hydrologues et biologistes et les concepts d'apprentissage et de sélection.

Cette étude ouvrant des perspectives dans la gestion de l'eau et de

l'environnement nous envisageons de poursuivre ces travaux dans le cadre

d’une thèse.

IDL : Interface definition

language. Langage de

définition des classes,

"squelette" de

l'application

Con

clus

ion



7 Bibliographie [JAC 97] Le cycle de l'eau de Guy Jacques Hachette Littérature (Les Fondamentaux); ISBN :

2011451280 [MAR 95] L'eau de Ghislain de Marsily Flammarion (Dominos); ISBN : 2080351621 [CON 88] CONCEPTION A.I., ZEIGLER B.P., « DEVS formalism : a framework for hierarchical model

development », IEEE Transaction on Software Engineering, Vol.14 N°2, p. 228-241, février 1988.

[DEL 89] DELANEY W., VACCARI E., Dynamic Model and Discrete Event Simulation, Marcel Dekker, NY, 1989.

[DEL 96a] DELHOM M., BISGAMBIGLIA P., AIELLO A., SANTUCCI J.F., « Object Oriented Modeling and Simulation of dynamic systems : application to the hydrologic domain », Supercomputation in Nonlinear and Disordered Systems : Algorithms, Applications and Architectures Euroconference, Septembre 96, World Scientific Publisher, San Lorenzo del Escorial, Madrid, Espagne (à paraître).

[DEL 96b] DELHOM M., « Modélisation et Simulation Orientées Objet - Contribution à l'étude du comportement hydrologique d'un bassin versant », Doctorat, Université de Corse, Faculté des Sciences et Techniques, 1996

[GAR 86] GARZIA R.F., GARZIA M.R., ZEIGER B.P., « Discrete Event Simulation », IEEE Spectrum, p 32-36, décembre 1986.

[OUS 88] OUSSALAH C., « Modèles hiérarchisés/multi-vues pour le support de raisonnement dans les domaines techniques », Doc. Université Aix-Marseille III, 1988.

[OUS 95] OUSSALAH C., MAGNAN M., TALENS G., « EMOST : un environnement de modélisation par objets de systèmes techniques », Génie Logiciel, N°37, p. 31-44, septembre 1995.

[ZEI 76] ZEIGLER B.P., Theory of Modelling and Simulation, Wiley, New-York, 1976. [ZEI 84] ZEIGLER B.P., Multifacetted Modelling and Discrete Event Simulation, Academic Press,

1984. [ZEI 90] ZEIGLER B.P., Object-Oriented Simulation with Hierarchical, Modular Models, Intelligent

Agents and Endomorphic Systems, Academic Press, 1990. [TOU 92 ] Les réseaux de Neurones artificiels, Claude Touzet 1992, EERIE, ISBN 2-906 899 -78X [TUR 36] A. M. Turing's ACE Report of 1946 par Alan Turing, B.E. Carpenter, R.W. Doran

(Editeur).

[BRU 94] Les mots de la géographie , Roger Brunet, et al. Relié (1994) La Documentation Française (Dynamiques du territoire); ISBN : 2110030364

[DEL 97] DELHOM M. - SANTUCCI J.F.- BISGAMBIGLIA P.A.- AIELLO A. (1997), Object Oriented Modelling and Simulation : application to natural systems. SCS international Western Multiconference on Computer Simulation, Phoenix, Arizona, January 11-15, pp. 115-120.

[MAI 88] D. MAIDMENT – L. MAYS – V. CHOW, Applied Hydrology, Mc Graw Hill Inc, 1988. [ZEA 99] ZEALAND C. – BURN D – SIMONOVIC S. (1999), Short term streamflow forecasting using

artificial neural networks. Journal of Hydrology 214 pp 32-48 [CHI 2000] Prédiction du comportement hydrologique d'un bassin versant à l'aide de Réseaux de

Neurones, Frederic Chiari, Marielle Delhom, Jean-Baptiste Filippi, Jean-François Santucci. [MUL 99] Modélisation Objet avec UML . Pierre - Alain Muller (Eurolles) [MIR 99] Le développeur Java2 . Antoine Mirecourt , (Osman Eyrolles Multimedia) . [LIP 2000] Automatic design and manufacture of robotic lifeforms. HOD LIPSON AND JORDAN B.

POLLACK.

La visite du site du stage http://perceptron.multimania.com est vivement recommandée pour découvrir

une liste de liens se rapportant au sujet.

Bib

liogr

aphi

e



8 Glossaire Algorithme de sélection : Algorithme permettant le choix selon une analyse multi-critères.

Anthropique : Relatif à l'homme ou à une activité humaine.

ArcView : Développé par ESRI (leader dans le domaine des SIG). ArcView est un système intégré

comprenant les plupart des fonctions que l'on peut attendre d'un SIG.

Sa modularité permets aussi d'étendre ses capacités a des besoins plus spécifiques .

Ascii : Format de texte le plus commun définit par l'ANSI.

Automate: "machine à faire automatiquement des mathématiques" selon A.Turing

Biomasse : Total des masses vivantes d'un ensemble.

Boites noires : Modèle protégé ou seule les entrées et les sorties sont accessibles.

Capillarité : Propriété due à des phénomènes de surface se manifestant en particulier par la

remontée de l'eau dans des tubes étroits.

Champ : Zone mémoire d'une base de donnée.

Connexion: On peut comparer les connexions des neurones artificiels aux synapses des

neurones biologiques.

Connexionisme : ensemble de sous-disciplines ayant en commun la métaphore "neuronale":

Curvimétre : Appareil permettant de mesurer la longueur sur une carte en suivant un tracé et en

connaissant l'échelle.

Détection de contour : Analyse des zones ou le contraste est le plus fort pour pouvoir les

surligner.

Diaclases : Cavité de la roche.

Ensemble de test: Aussi appelé set de validation, il correspondra à une période donnée dans le

cas d'un prédiction de série temporelle .

Equation différentielle : Equation liant une fonction à variable réelle et ses dérivées successives .

Ergonomie : Etude des relations entre le travail et l'environnement de travail.

Événement discret: Un modèle a temps discret définit l'état du système a des temps

dénombrables.

Exutoire : Point de sortie.

Faisceau : Vecteur de données mobiles (classe Feed).

Fenêtre : Période sur laquelle se fera les apprentissages successifs.

Houppier : Branches contenues dans les deux premier tiers de la cime.

Hydrogéologique : Relatif aux interactions sol-eau (hydrogéologie).

Hydrogrammes : Graphes du débits d'un cours d'eau.

Hydrologic Modelling : Extension d'ArcView permettant le pré-traitement de données

Hydrologiques.

Hypodermique : Sous la surface.

Interception : Capacité d'absorption d'une couche en un temps donné.

IDL : Interface definition language. Langage de définition des classes, "squelette" de l'application.

Isohypses : Les isohypses sont des lignes de même altitude.

Glo

ssai

re



Java : Langage orienté Objet développé par SUN.

Litiére : Dépôts organiques sur le sol

Module : Elément constitutif du système.

Modularité : Capacité d'adaptation grâce à une architecture modulaire.

Moment: Facteur de régression du taux d'apprentissage, il diminue les changements apportés aux

poids au fur et à mesure des passes.

En effet plus un réseau apprends, moins les changements doivent êtres forts.

Niveau d'abstraction: Décrire un modèle à différents niveaux d'abstraction permet de ne

présenter que les informations pertinentes à un niveau donné.

Nivellement : Mesure du niveau, de l'altitude.

ODBC : Open Database Connectivity. Norme de communication avec une base de donnée.

Panneau : Conteneur de composants graphiques tels que des boutons, zones de texte, etc....

Passe : Apprentissage successif de toutes les fenêtres sur la période d'apprentissage.

Polymorphe : Pouvant prendre plusieurs formes.

Portabilité : Capacité d'adaptation a d'autres plates-formes.

Rayonnement : Energie restituée solaire au sol.

Régression: Technique permettant de mesurer l'impact d'une variable sur une autre.

Retro propagation du gradient: Algorithme ou l'a différence entre la sortie désirée et la sortie

propagée (le gradient) modifie les poids des neurones de sortie aux neurones d'entrée (retro

propagation).

L'amplitude de cette modification étant relative au taux d'apprentissage.

Rhizosphére : Couche superficielle (10-50 cm) du sol.

RN multicouches: Réseau de neurones où les couche d'entrée et de sortie sont séparées par des

couches dites "cachées"

Saturation : Proportion de liquide par rapport a la capacité d'absorption maximum.

Script : Micro code servant a automatiser des taches spécifiques à un logiciel.

SIG : Système d’information géographique (Voir 2.2)

Spatial analyst : Extension d'ArcView permettant le pré-traitement de données topographiques.

Stéréoscopique : Procédé donnant l'illusion de relief en projetant une image différente pour

chaque œil.

Sublimation : Passage de l'état de glace a l'état de vapeur.

Talweg : Ligne joignant les points les plus bas d'une vallée.

Topographique : Relatif aux relevés du terrains (topographie).

Unified Modeling Language : Langage de modélisation unifié .

Glo

ssai

re



9 Table des f igures Figure 1 : Le cycle Hydrologique 5

Figure 2 : Bassin versant topographique et bassin versant hydrogéologique 7 6

Figure 3 : Bassin versant d' ordre 4 (classification de SCHUMM). 9

Figure 4 : Nœud et sous-graphe 18

Figure 5 : Représentation schématique d’un réseau de neurones multicouche. 19

Figure 6 : Vue d'ArcView GIS 23

Figure 7 : Fonctionnement général du logiciel 25

Figure 8 : Hypothèse d'architecture N°1 26




Figure 12 : Architecture Logicielle 30

Figure 13 : Schéma UML, vue générale 32

Figure 14 : UML, Modules internes 33

Figure 15 : UML interface graphique 34

Figure 16 : Description de l'interface 38

Figure 17 : Réalisation d’une connexion 39

Figure 18 : Préparation de l'expérience 39

Figure 19 : Choix des données 39

Figure 20 : Création du réseau de neurones 40

Figure 21 : Entraînement 41

Figure 22 : Résultats 42

Figure 23 : Graphe de Gantt des taches. 43

Figure 24 : Vue du site de développement 44

Figure 25 : Exp1, Configuration de l'expérience 45

Figure 26 : Résultats De la première expérience 46

Figure 27 : Exp1, Configuration de l'expérience 47

Figure 28 : Exp. 2, La carte de la couche cachée 47

Figure 29 : Exp. 2, Activité de la couche cachée 48

Figure 30 : Exp. 2, Activité par neurone 48

Figure 31 : Résultats expérience 2 49

Figure 32 : Exp. 3, configuration de l'expérience 50

Figure 33 : Exp. 3, carte de la couche cachée 51

Figure 34 : Exp. 3, Activité de la couche cachée 51

Figure 35 : Exp. 3, Activité par neurones 52

Figure 36 : Exp. 3, première lecture du réseau 53

Figure 37 : Exp. 3, seconde lecture du réseau 54

Tab

le d

es fi

gure

s



10 Annexes ( O n g l e t s s u r l a d r o i t e e n n o i r s u r f o n d g r i s )

10.1 Prédiction du comportement hydrologique d'un bassin versant

à l'aide de Réseaux de Neurones, publication ESRI 2000.

10.2 A GIS based methodology for the modeling and the

simulation of watersheds, publication ATW 2000.

10.3 Prediction of the Hydrologic Behavior of a Watershed using

Artificial Neural Networks and Geographic Information

Systems, publication SMC 2000.

10.4 Modélisation et simulation orientées objet , Application à

l'étude du comportement hydrologique d'un bassin

versant, Marielle Delhom - Paul Bisgambiglia - Antoine

Aiello - Jean-François Santucci

10.5 Exemples de Code

Ann

exes

Rapport de Stage. - spe.univ-corse.frspe.univ-corse.fr/filippiweb/publis/stage.pdf · apport de...

Documents

Transcript of Rapport de Stage. - spe.univ-corse.frspe.univ-corse.fr/filippiweb/publis/stage.pdf · apport de...