| dc.description.abstract | La réduction d'échelle atténue considérablement les inconvénients de la simulation du climat
régional par les modèles de circulation générale (MCG). Cependant, peu d'informations sont
disponibles concernant la réduction d'échelle par des méthodes d'apprentissage automatique.
De plus, la complexité est encore accrue par la rareté des données d'observations dans certaines
régions telle que le sahel. Cette étude utilise les modèles des K plus proches voisins (KNN), le
support vector machine (SVM), l' extreme machine learning (ELM) et le poursuit preject
regression pour réduire l'échelle des précipitations en Casamance au sud du Sénégal, qui
aussi est considérée comme une zone vulnérable aux changements climatiques. L'ensemble des
données de réanalyse du National Center for Environmental Prediction et du National Center
for Atmospheric Research NCEP/NCAR a été sélectionné comme prédicteur à partir des
corrélations0 de Pearson. Les données mensuelles des précipitations pour les périodes 1950-1994
et 1994-2015 ont été utilisées pour l'étalonnage et la validation des modèles, respectivement. La
performance des modèles a été évaluée à l'aide de diverses mesures statistiques, notamment
l'erreur de biais (B), le coe cient de détermination (R2
) et l'erreur quadratique moyenne
(RMSE). Les comparaisons des séries chronologiques mensuelles moyennes des précipitations
observées et simulées ont montré une bonne concordance de l'évolution pendant les périodes
d'étalonnage et de validation. Cependant, l'étude des variances montre une sous-estimation
de la précipitation par les modèles d'apprentissage automatique. Le diagramme de Taylor
nous a permis de comparer les modèles et de constater que le KNN donnait les meilleures
représentations de la précipitation. | en_US |
