[ CONTRIBUTION DE L’APPRENTISSAGE AUTOMATIQUE DANS L’ESTIMATION DES DÉBITS MENSUELS DU FLEUVE BAGOÉ À LA STATION HYDROMÉTRIQUE DE KOUTO AU NORD-OUEST DE LA CÔTE D’IVOIRE ]
Volume 46, Issue 1, July 2025, Pages 83–96
Adja Miessan Germain1, KAMENAN Satti Jean-Robert2, Privat TOHOURI3, Marc Youan Ta4, and Kouassi Amani Michel5
1 Département des Sciences et Technologies, Ecole Normale Supérieure, Abidjan, Côte d'Ivoire
2 EDP-INPHB Institut National Polytechnique Houphouët Boigny, Yamoussoukro, Côte d’Ivoire
3 Département des Sciences et Techniques de l’Eau et du Génie de l’Environnement (DSTEGE), UFR des Sciences de la Terre et des Ressources Minières. Université Félix Houphouët-Boigny d’Abidjan-Cocody, 22 BP 582 Abidjan 22, Côte d'Ivoire
4 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), U.F.R des Sciences de la Terre et des Ressources Minières (STRM), Université Félix Houphouët Boigny de Cocody, 22 B.P. 801 Abidjan 22, Côte d'Ivoire
5 Institut National Polytechnique Félix Houphouet-Boigny (INP-HB), Département des Sciences de la Terres et des Ressources Minières (STeRMi), Côte d’Ivoire
Original language: French
Copyright © 2025 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Streamflow data are very important in assessing the groundwater and surface water resources of a given region. In northern Côte d’Ivoire, particularly in the Bagoé region, although there are long series of rainfall data, streamflow data are still scarce. The few chronicles available are very short and incomplete. The aim of this study is to obtain a long flow chronicle for the period 1996-2016. It aims to estimate flows in the Bagoé River at the Kouto hydrometric station using neural networks. To this end, two neural models were developed to estimate variations in monthly flows of the Bagoé River from 1996 to 2016. The modeling was validated using the Nash criterion (%), the Pearson coefficient (R), the maximum flow ratio and the robustness criterion. The results showed that the validation criteria for these models are optimal. The Nash criterion is greater than 84% for both calibration and validation. The Pearson coefficient ranged from 92% to 96% in calibration and validation. The maximum flow ratio ranges from 93% to 118% in calibration and validation. The robustness criterion ranged from 2.91% to 7.62%. All these results reflect the good performance and stability of neural network-based models for estimating flows in the Bagoé river.
Author Keywords: Flow data, neural network, Machine Learning, Bagoé River, Ivory Coast.
Volume 46, Issue 1, July 2025, Pages 83–96
Adja Miessan Germain1, KAMENAN Satti Jean-Robert2, Privat TOHOURI3, Marc Youan Ta4, and Kouassi Amani Michel5
1 Département des Sciences et Technologies, Ecole Normale Supérieure, Abidjan, Côte d'Ivoire
2 EDP-INPHB Institut National Polytechnique Houphouët Boigny, Yamoussoukro, Côte d’Ivoire
3 Département des Sciences et Techniques de l’Eau et du Génie de l’Environnement (DSTEGE), UFR des Sciences de la Terre et des Ressources Minières. Université Félix Houphouët-Boigny d’Abidjan-Cocody, 22 BP 582 Abidjan 22, Côte d'Ivoire
4 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), U.F.R des Sciences de la Terre et des Ressources Minières (STRM), Université Félix Houphouët Boigny de Cocody, 22 B.P. 801 Abidjan 22, Côte d'Ivoire
5 Institut National Polytechnique Félix Houphouet-Boigny (INP-HB), Département des Sciences de la Terres et des Ressources Minières (STeRMi), Côte d’Ivoire
Original language: French
Copyright © 2025 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
Streamflow data are very important in assessing the groundwater and surface water resources of a given region. In northern Côte d’Ivoire, particularly in the Bagoé region, although there are long series of rainfall data, streamflow data are still scarce. The few chronicles available are very short and incomplete. The aim of this study is to obtain a long flow chronicle for the period 1996-2016. It aims to estimate flows in the Bagoé River at the Kouto hydrometric station using neural networks. To this end, two neural models were developed to estimate variations in monthly flows of the Bagoé River from 1996 to 2016. The modeling was validated using the Nash criterion (%), the Pearson coefficient (R), the maximum flow ratio and the robustness criterion. The results showed that the validation criteria for these models are optimal. The Nash criterion is greater than 84% for both calibration and validation. The Pearson coefficient ranged from 92% to 96% in calibration and validation. The maximum flow ratio ranges from 93% to 118% in calibration and validation. The robustness criterion ranged from 2.91% to 7.62%. All these results reflect the good performance and stability of neural network-based models for estimating flows in the Bagoé river.
Author Keywords: Flow data, neural network, Machine Learning, Bagoé River, Ivory Coast.
Abstract: (french)
Les débits des cours d’eau sont très importants dans l’évaluation des ressources en eau souterraine et de surface d’une région donnée. Dans le Nord de la Côte d’Ivoire, particulièrement dans la région de la Bagoé, quoiqu’il existe de longues séries de données pluviométriques, celles des débits de cours d’eau demeurent rares. Les quelques chroniques disponibles, sont très courtes et lacunaires. Ainsi, cette étude vise à obtenir une chronique de débit longue de l’épisode 1996-2016. Elle ambitionne d’estimer les débits du fleuve Bagoé à la station hydrométrique de Kouto à l’aide des réseaux de neurones. Pour ce faire, deux modèles neuronaux ont été développés pour estimer les variations des débits mensuels de la Bagoé de 1996 à 2016. La validation de cette modélisation a été réalisée à l’aide du critère de Nash (%), du coefficient de Pearson (R), du rapport des débits maximaux et du critère de robustesse. Les résultats ont montré que les critères de validation de ces modèles sont optimaux. En effet, le critère de Nash est supérieur à 84 % en calage et en validation. Le coefficient de Pearson, varie de 92 à 96 % en calage et en validation. Le rapport des débits maximaux, varie de 93 à 118 % en calage et en validation. Quant au critère de robustesse, il varie de 2,91 % à 7,62 %. Tous ces résultats traduisent une bonne performance et une bonne stabilité des modèles à base de réseaux de neurones dans l’estimation des débits du fleuve Bagoé.
Author Keywords: Données de débits, réseau de neurones, Apprentissage automatique, fleuve Bagoé, Côte d’Ivoire.
How to Cite this Article
Adja Miessan Germain, KAMENAN Satti Jean-Robert, Privat TOHOURI, Marc Youan Ta, and Kouassi Amani Michel, “CONTRIBUTION OF MACHINE LEARNING TO THE ESTIMATION OF MONTHLY FLOWS IN THE BAGOÉ RIVER AT THE KOUTO HYDROMETRIC STATION IN NORTHWESTERN CÔTE D’IVOIRE,” International Journal of Innovation and Applied Studies, vol. 46, no. 1, pp. 83–96, July 2025.
