Please use this identifier to cite or link to this item: http://dspace.centre-univ-mila.dz/jspui/handle/123456789/2571
Full metadata record
DC FieldValueLanguage
dc.contributor.authorAhmed Islam , Boucenna , Boudouda Abd El Madjid-
dc.date.accessioned2023-07-27T08:07:02Z-
dc.date.available2023-07-27T08:07:02Z-
dc.date.issued2023-06-
dc.identifier.citationHydraulique urbaineen_US
dc.identifier.urihttp://dspace.centre-univ-mila.dz/jspui/handle/123456789/2571-
dc.descriptionThe rainfall recording process is facing a major problem in our country, Algeria, which is the loss of data, and this is due to various reasons. The process of predicting missing data is difficult and complex, because it requires time, especially in the case of a large number of missing data, and the temporal and spatial variation of the precipitation phenomenon and its complexity from the physical point of view intervene . in this work, we rely on a new and periodic method in this field, that of artificial intelligence and machine learning, using LR, DS, AR, GP, RF and other models to estimate the missing data of the rain gauge located in the northeast of Algeria in three different watersheds (Seybousse, Oued Ruhmel, central coastal basin of Constantine); Each basin has its own rain gauge. We studied monthly data over the period from 1970 to 2008 for the watersheds of Seybousse and the central coastal basin of Constantine and from 1986 to 2012 for the watersheds of Oued Ruhmel. We first confirmed the efficiency of the models by training them, and after they gave us good results and a small margin of error, we used these models to predict the missing rain data at our three stations. Finally, we concluded that the majority of these models were good and gave us excellent and accurate results. It allowed us to predict the missing data at the three stations.en_US
dc.description.abstractLe processus d'enregistrement des précipitations se heurte à un problème majeur dans notre pays, l'Algérie, qui est la perte de données, et cela est dû à diverses raisons. Le processus de prédiction des données nquantes est difficile et complexe, car il nécessite du temps, surtout dans le cas d'un grand nombre de données manquantes, et la variation temporelle et spatiale du phénomène des précipitations et sa complexité du point de vue physique interviennent. dans ce travail, nous sommes appuyés sur une méthode nouvelle et périodique dans ce domaine, celle de l'intelligence artificielle et l'apprentissage automatique, en utilisant les modèles LR, DS, AR, GP, RF et autres pour estimer les données manquantes des stations pluviométrique qui se trouve dans le nord-est de l'Algérie dans trois bassins versants différents (Seybousse, Oued Ruhmel, bassin Côtier Constentinois Centre) ; Chaque bassin a ses propres stations. Nous avons étudié des données mensuelles sur la période de 1970 à 2008 pour les bassins versants de Seybousse et du bassin Côtier Constentinois Centre et de 1986 à 2012 pour les bassins versants d’Oued Ruhmel. Nous avons d'abord confirmé l'efficacité des modèles en les entraînant, et après qu'ils nous aient donné de bons résultats et une petite marge d'erreur, nous avons utilisé ces modèles pour prédire les données de pluie manquantes à nos trois stations. Enfin, nous avons conclu que la majorité de ces modèles étaient bons et nous ont donné des résultats excellents et précis. Il nous a permis de prédire les données manquantes aux trois stations.en_US
dc.language.isoenen_US
dc.publisheruniversity center of abdalhafid boussouf - MILAen_US
dc.subjectprécipitations ; données manquantes; intelligence artificielle ; apprentissage automatique ; le nord-est de l'Algérieen_US
dc.subjectrainfall; missing data; artificial intelligence; machine learning; the Northeast of Algeriaen_US
dc.titleThe estimation of climatic missing data using machine learning, case of Algerian stations.en_US
dc.typeThesisen_US
Appears in Collections:Science and technology



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