Artificial intelligence based on Deep Learning algorithms for forecasting flood

The issue of natural disasters in general and floods in particular, is an important topic that has resulted in a memorable action throughout the world and Tunisia in particular. For this reason, flood rate forecasts are very important because they help to reduce the devastating effects that lead to socio-economic losses. In this paper, a deep learning flood model was developed to predict flood. Many algorithms have been used to predict flood rates using data collected from Internet of Things (IOT) devices and wireless sensors. At this stage of the study, we proposed a system based on long-term memory (LSTM) to predict future flood rates using information collected (e.g., datetime, rainfull, levelwater, etc.) from the wireless sensor network (WSN). We compare our system with another regression algorithm, namely the multilayer perceptron (MLP). We obtained the most advanced results 169.42 % of Mean Relative Error (MRE); 0.3041 Mean Absolute Error (MAE) when using weather time series data and tests. Le problème des catastrophes naturelles en général et des inondations en particulier, est un sujet important qui a donné lieu à une action mémorable dans le monde entier et en Tunisie en particulier. Pour cette raison, les prévisions des crues sont très importantes, car elles contribuent à réduire les effets dévastateurs qui entrainent des pertes socio-économiques. Dans cette mémoire, un modèle d’apprentissage profond a été développé pour prédire les risques des crues. De nombreux algorithmes ont été utilisés pour prédire les crues à l’aide de données recueillies à partir d’appareils de l’internet des objets (IoT) et de capteurs sans fil. À ce stade de l’étude, nous avons proposé un système basé sur la mémoire à long terme (LSTM) pour prédire le taux des crues future à l’aide de l’information recueillie (p. ex, la date et heure, pluviosité, niveau de l’eau, etc.) à partir du réseau de capteurs sans fil (WSN). Nous comparons notre système avec un autre algorithme de régression, à savoir : le perceptron multicouche (MLP). Nous avons obtenu les résultats les plus avancés 169.42 % d’erreur relative moyenne (ERM), 0.3041 Erreur absolue moyenne (EAM) lorsque nous utilisons les données de séries chronologiques des conditions météorologiques et des tests.