Résumé:
Ce mémoire explore l’utilisation des techniques de Machine Learning (Random Forest, XGBoost,
LightGBM, CatBoost) pour modéliser et prédire les événements hydrologiques extrêmes —
sécheresses et crues — à partir de séries temporelles issues du barrage de Beni Haroun en Algérie.
En s’appuyant sur des données historiques journalières (2003–2025) fournies par l’ANBT, le
travail combine des indicateurs hydrométéorologiques (SPI) et des variables dérivées (ΔV,
défluents) pour construire un modèle de classification à trois classes (sécheresse, normale, crue).
Les performances des modèles sont évaluées à l’aide des métriques classiques (précision, rappel,
F1-score), et illustrées par des cartes temporelles des classes prédites. Les résultats montrent une
forte capacité à détecter les crues, une bonne stabilité pour les épisodes normaux, mais une
précision limitée sur les épisodes de sécheresse ce qui peut être justifier par la complexité de ce
phénomène. Cette étude met en évidence l’intérêt opérationnel du Machine Learning pour
l’évaluation des risques liés aux extrêmes climatiques dans les systèmes hydrauliques algériens.
