Machine Learning modeling techniques for forecasting the trophic state in a restored South Mediterranean lagoon using Chlorophyll-a in connection with the physico-chemical variables - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Machine Learning modeling techniques for forecasting the trophic state in a restored South Mediterranean lagoon using Chlorophyll-a in connection with the physico-chemical variables

Modélisation prédictive par l'intelligence artificielle pour la prévision de l’état trophique dans la Lagune Nord de Tunis en utilisant la Chlorophylle-a en relation avec les paramètres physico-chimiques du milieu

Résumé

Eutrophication episodes are commonly observed in coastal areas, causing significant damage, especially in the Mediterranean Basin which represents the major world’s tourism hotspot. For this reason, anticipate their presence is important to prevent risks. Predictive models are effective techniques for eutrophication forecasting, since ecologists are able to predict water pollution levels and take necessary precaution measures in advance. Previous studies have confirmed the superiority of Machine Learning (ML) in modeling water quality parameters. In this study, chlorophyll-a (Chl-a) is used as water quality indicator. In this thesis, the first chapter sets up a characterization, in terms of space, time and season of the physico-chemical water quality parameters in the North lagoon of Tunis, a shallow restored Mediterranean coastal ecosystem located in the north of Tunisia. The present study of seven physico-chemical parameters (Secchi depth, dissolved oxygen, pH, salinity, water temperature, total phosphorus and total nitrogen), in addition to the Chl-a has covered approximately three decades (January 1989 - April 2018), at five representative positions in the lagoon. In general, the water quality agrees fairly well with the marked improvement in the eutrophication level of the Lagoon, especially after the completion of the restoration project mentioned above. This chapter, represents the first step in predictive modeling by preprocessing the data looking for any hidden pattern (spatial, temporal or seasonal), in order to choose the most appropriate algorithm. In the second chapter. A Nonlinear Auto Regressive with eXternal inputs (NARX) neural network was fitted to predict Chl-a concentrations. The predictor variables (inputs) used in this model were those having high permutation importance ranking with Random Forest model: Secchi depth, and dissolved oxygen. Various model scenarios with different NARX architectures were tested. To verify the model performances, the trained models were applied to field monitoring data. In addition, various mathematical parameters to measure the performance of the model were calculated (R, R2, MSE). Results indicated that the developed NARX model can predict one step ahead (1 month) Chl-a concentration in the lagoon with high accuracy (R= 0.79; R2= 0.62; MSE= 0.31). In the third chapter, a Seasonal Auto-Regressive Integrated Moving Average (SARIMA) model was developed to forecast monthly Chl-a concentrations, using three decades of Chl-a historical data. Results showed SARIMA (2,0,2)(2,0,2)12 was the best fitted model. We have demonstrated that with only one input variable SARIMA model shows great applicability as an eutrophication early warning tool. Finally, the developed SARIMA model was used to forecast Chl-a concentrations for the period from May 2018 to December 2025, as an predictive approach to the ecosystem management that could serve for decision makers for the future generations. The process of eutrophication in coastal ecosystems has a complex relationship with the environmental factors. This was clearly demonstrated by the weak performance of multivariate linear regression (R2= 0.2). Based on the strong forecasting ability of SARIMA model, and the powerful expression ability of the NARX neural network in nonlinear relationships, a hybrid model which combines SARIMA and NARX is proposed in the fourth chapter, for Chl-a forecasting. The use of linear and nonlinear approaches to model the linear and nonlinear characteristics (respectively) of Chl-a in increased the efficiency and accuracy of the predictions. The NARX-SARIMA approach is aimed at highly heterogenic events, and the tests carried out proved its excellent performance. The use of hybrid model improved the prediction capability of one time step ahead of Chl-a with the best performance being achieved (R= 0.82; R2=0.68; MSE= 0.24).
Les épisodes d'eutrophisation sont couramment observés dans les zones côtières, causant des dommages importants à l'écosystème, en particulier dans le bassin méditerranéen qui représente la principale destination du tourisme mondiale. Il est donc important d'anticiper leur manifestation. Les modèles prédictifs sont des techniques efficaces pour la prévision de l'eutrophisation. Les écologistes sont désormais capables de prévoir les niveaux de pollution de l'eau et de prendre les mesures de précaution nécessaires à l'avance. Des études antérieures ont confirmé la supériorité de Machine Learning (ML) dans la modélisation de la qualité de l'eau. Dans cette étude, la chlorophylle-a (Chl-a) est utilisée comme indicateur de la qualité de l'eau. Dans cette thèse, le premier chapitre met en place une caractérisation spatio-temporelle and saisonnière des paramètres physico-chimiques de la qualité de l'eau dans la lagune Nord de Tunis, un écosystème côtier méditerranéen restauré, peu profond situé au nord de la Tunisie. Cette étude de sept paramètres physico-chimique (profondeur de Secchi, oxygène dissous, pH, salinité, température de l'eau, phosphore total et azote total), en plus de la Chl-a, a couvert environ trois décennies (Janvier 1989 - Avril 2018), à cinq stations représentatives dans la lagune. En général, la qualité de l'eau s'accorde assez bien avec la nette amélioration du niveau d'eutrophisation de la lagune, surtout après le projet de restauration. Ce chapitre représente la première étape de la modélisation prédictive en étudiant les données à la recherche de toutes spécificités cachées (spatial, temporel ou saisonnier), afin de choisir l'algorithme le plus approprié. Dans le deuxième chapitre. Un réseau neuronal non linéaire autorégressif avec des entrées externes (NARX) a été simulé afin de prédire les concentrations de la Chl-a. Les variables prédictives utilisée sont celles qui contribuent le plus à la variation de la Chl-a selon le modèle des forets aléatoires (Random Forest): la profondeur de Secchi et l'oxygène dissous. Plusieurs scénarios avec différentes architectures de NARX ont été testés. Les simulations des divers modèles formées ont été comparées aux données réelles pour vérifier leurs performance. En plus, différents paramètres mathématiques ont été calculés (R, R2, MSE). Les résultats ont indiqué que le modèle NARX développé peut prédire avec une grande précision (R=0.79; R2=0.62; MSE= 0.31) la concentration de la Chl-a dans la lagune avec une longueur d'avance (1 mois). Dans le troisième chapitre, un modèle saisonnier, autorégressif, à moyenne mobile intégrée (SARIMA) a été développé pour prévoir les concentrations mensuelles de la Chl-a. Les résultats ont montré que SARIMA (2,0,2)(2,0,2)12 était le modèle le mieux adapté. Nous avons démontré qu'avec une seule variable d'entrée, le modèle SARIMA montre une grande applicabilité. Enfin, le modèle SARIMA développé a été utilisé pour prévoir les concentrations de la Chl-a pour la période de mai 2018 à décembre 2025. Le processus d'eutrophisation dans les écosystèmes côtiers est un phénomène complexe. Ceci a été clairement démontré par la faible performance de la régression linéaire multivariée (R2= 0.2). Sur la base de la forte capacité de prévision du modèle SARIMA, et de la puissante capacité du réseau NARX dans les relations non linéaires, un modèle hybride combinant SARIMA et NARX est proposé dans le quatrième chapitre, pour la prévision de la Chl-a. L'utilisation d'approches linéaires et non linéaires pour modéliser les caractéristiques linéaires et non linéaires (respectivement) de la Chl-a a augmenté la précision des prévisions. L'approche NARX-SARIMA est destinée aux événements hautement hétérogènes, et les tests effectués ont prouvé son excellente performance. L'utilisation du modèle hybride a amélioré la capacité de prédiction de la Chl-a avec la meilleure performance obtenue (R= 0.82 ; R2=0.68 ; MSE= 0.24).
Fichier principal
Vignette du fichier
These_Ben_Hadid_Nadia_2021.pdf (3.36 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03588904 , version 1 (25-02-2022)

Identifiants

  • HAL Id : tel-03588904 , version 1

Citer

Nadia Ben Hadid. Machine Learning modeling techniques for forecasting the trophic state in a restored South Mediterranean lagoon using Chlorophyll-a in connection with the physico-chemical variables. Ocean, Atmosphere. Université de Perpignan; Institut national agronomique de Tunisie, 2021. English. ⟨NNT : 2021PERP0041⟩. ⟨tel-03588904⟩
193 Consultations
222 Téléchargements

Partager

Gmail Facebook X LinkedIn More