Application des techniques d’intelligence artificielle à l’analyse et la prédiction des données climatiques : Cas de El-Oued

Abstract

عدّ التغير المناخي في الوقت الحاضر أحد أبرز التحديات البيئية العالمية، لا سيما في المناطق الجافة التي تتأثر فيها النظم البيئية والأنشطة البشرية بشكل كبير بالتقلبات المناخية. وتمثل منطقة الوادي، التي تتميز بمناخ صحراوي يتسم بارتفاع درجات الحرارة، وقلة التساقطات المطرية، وارتفاع معدلات التبخر، نموذجًا مناسبًا لدراسة آثار التغير المناخي على المستوى المحلي. يهدف هذا العمل أساسًا إلى تطبيق تقنيات الذكاء الاصطناعي لتحليل البيانات المناخية التاريخية والتنبؤ بالاتجاهات المناخية المستقبلية في هذه المنطقة الجافة. وتعتمد الدراسة على استغلال السلاسل الزمنية المناخية التي تتضمن عدة متغيرات أرصادية، من بينها درجة الحرارة، والتساقطات المطرية، والرطوبة، وسرعة الرياح. بعد مرحلة المعالجة المسبقة للبيانات وتنظيفها وإجراء التحليل الاستكشافي لها، تم اعتماد مقاربة تنبؤية قائمة على نموذج Transformer. ويستند اختيار هذا النموذج إلى قدرته على التقاط العلاقات الزمنية قصيرة وطويلة المدى داخل السلاسل الزمنية المناخية بكفاءة عالية. بعد ذلك، تم تقييم أداء نموذج Transformer ومقارنته بنماذج أخرى من التعلم الآلي والتعلم العميق بهدف تحديد النهج الأكثر فعالية في التنبؤ بالمناخ.Climate change is currently one of the major environmental challenges, particularly in arid regions where ecosystems and human activities are highly sensitive to climate variations. The El-Oued region, characterized by a desert climate with high temperatures, low rainfall, and intense evaporation, represents a relevant case study for analyzing the impacts of climate change at the local scale. The main objective of this work is to apply Artificial Intelligence (AI) techniques to analyze historical climate data and predict future climate trends in this arid region. The study is based on the exploitation of climate time series containing several meteorological variables, including temperature, precipitation, humidity, and wind speed. After a phase of data preprocessing, cleaning, and exploratory data analysis, a predictive modeling approach based on the Transformer model is implemented. This choice is motivated by the ability of this architecture to effectively capture both short-term and long-term temporal dependencies within climate time series. The performance of the Transformer model is then evaluated and compared with other machine learning and deep learning models in order to identify the most effective approach for climate prediction.