Automatisation de processus pour analyse prédictive des pluies : le couplage de Python et du machine learning avec ArcGIS
Cette contribution présente une approche avancée de Géo-Data Science dédiée à la modélisation spatio-temporelle de la variabilité des précipitations et de l'érosivité des pluies à l'échelle du bassin de la Tafna (7 276,7 km²).
Le workflow technique, entièrement intégré à l'environnement ArcGIS, s'articule autour de trois phases complémentaires :
• Automatisation SIG (ArcPy) : Traitement par script Python d'un volume massif de données matricielles hydro-climatiques (40 ans de données PERSIANN-CDR, 1983–2023). Le code a standardisé l'importation, le géoréférencement et la mise en page des rasters, après une correction de biais (Quantile Mapping) rigoureusement validée par rapport aux stations au sol de l'ANRH (PBIAS = 0,55%, RMSE = 15,1 mm).
• Spatialisation hydro-climatique (IDW) : Analyse de la série chronologique mettant en évidence une moyenne de 370,9 mm, de forts extrêmes (122,8 mm en 1983 et 613,9 mm en 2008), et un régime méditerranéen où l'automne et l'hiver concentrent plus de 65 % des apports (maximum en novembre : 53,09 mm). L'apport novateur repose sur la spatialisation par interpolation IDW du coefficient d'asymétrie mensuelle (Cs), révélant un gradient croissant allant de 1,51 (nord-ouest) à 2,17 (sud-est), marquant l'étagement des monts de Tlemcen (Cs > 1,7).
• Modélisation prédictive (Machine Learning) : Implémentation de l'algorithme Random Forest sous ArcGIS pour explorer les relations non linéaires avec le facteur d'érosivité des pluies (R). Les indicateurs d'importance prouvent que le Cs apporte un pouvoir explicatif majeur (%IncMS = 11,5%), tandis que l'analyse de dépendance partielle (PDP) met en évidence un seuil critique majeur à Cs ≈1,8, zone où la puissance érosive prédite s'exacerbe drastiquement.
Cette méthodologie prouve de manière robuste que la concentration événementielle des pluies prime sur les cumuls annuels et démontre la puissance du couplage entre programmation Python, SIG et Machine Learning pour le diagnostic climatique régional.
