Modélisation de la rétention en eau des sols par les fonctions de pédotransfert dans la plaine du Haut Chéliff– Application des réseaux de neurones artificiels

Abstract

La connaissance des propriétés de rétention d'eau du sol est nécessaire pour évaluer leur potentiel et pour une meilleure gestion. Cependant afin de répondre au déficit de données relatives aux propriétés de rétention en eau des sols, la mesure des propriétés de rétention en eau étant particulièrement lourde, de nombreux chercheurs ont très tôt cherché à prédire ces propriétés à partir de caractéristiques du sol beaucoup plus aisément mesurables. C’est dans ce contexte que s’inscrit le présent travail, dont l’objectif est de rechercher des méthodes susceptibles d’apporter une contribution à l’estimation de la rétention en eau et par conséquent l’amélioration de la gestion de la ressource en eau qui accuse un déficit dans les apports .Il s’agit d’une modélisation basée sur deux approches ,celles des Réseaux de Neurones Artificiels "RNA" de type PMC (Perceptrons multicouches), et les fonctions de pédotransfert "FPT" appliquée à quelques sols de la plaine du Haut Cheliff. Le recours à ces approches a été motivé par le besoin d’utiliser un moyen plus efficace et fiable pour estimer la rétention eau des sols. Ces techniques ont conduit à des prédictions à partir d’une base de données contenant 493 horizons, issus de l’étude agro-pédologique de la plaine du Haut Cheliff. Après avoir établis une stratification qui tient en compte, la texture, la densité apparente, et la texture et densité apparente simultanément. Les résultats de modélisation et les tests de validation des fonctions de pédotransfert, montre que la stratification texturo- structurale, apporte une amélioration significative à la qualité de prédiction, confirmée par cm3 de 0.90 lors de la validation, pour les horizons limon-argilo-fin de Da (1.4 g/cm3) et à potentiels (-10 kPa), avec une légère tendance à la surestimation (EMP =0,06 %). Pa ailleurs la stratification structurale accuse des prédictions médiocres avec des ETP qui varient entre 1.09% et 1.95 %, et sous-estime la rétention en eau (EMP (-2.08 %) et (-1.32%). Cependant les modèles de RNAs ont démontré une capacité d'apprentissage et de prédiction importante pour la rétention d'eau, le modèle RNA produit a été évalué à travers les résultats de la phase de validation., par ailleurs la combinaison des variables argile limons fin, et la matière organique, expliquent une grande part de la rétention en eau notamment au bas potentiel (-1 600 kPa) pour les sols horizons Limon-argileux avec (RMSE=0.46) et (MAE = 0.26).