Résumé: The intensification of extreme rainfall events driven by climate change presents a critical challenge to urban drainage systems, significantly elevating flood risks. This study assesses the vulnerability of Algiers' urban drainage network by integrating climate projections with hydrological-hydraulic modeling. High-resolution precipitation projections from the MRI-AGCM3.2S global climate model were downscaled to construct Intensity-Duration-Frequency (IDF) curves for a historical baseline (1986–2005) and two future horizons (2046–2065 and 2081–2100) under the RCP 8.5 scenario. These projections data were incorporated into the MIKE URBAN model, which was calibrated and validated for the Algiers basin, to simulate the network's response under different climate scenarios and to identify flood-prone areas. Results show, for a ten-year return period, a substantial increase in both rainfall intensity and the number of flood-prone locations within the drainage system. The number of critical overflow points increases from 323 historically to 602 by the end of the century, representing an 86.4% rise, indicating a profound loss of hydraulic capacity. Furthermore, future 10-year storms in 2100 generate 27.27% more overflow points than historical 100-year storms, illustrating a marked degradation in network resilience and a shift towards more extreme effective storm severity. The study further introduces a structured decisionsupport framework for prioritizing interventions and informing adaptive planning. These findings underscore the urgent need for climate-resilient urban infrastructure strategies to mitigate the growing flood risks in Algiers and similar Mediterranean coastal cities.

Résumé: Direct field measurements of infiltration parameters are challenging, time-consuming, costly, and spatially restricted. As an alternative, traditional empirical models are often employed for the sake of simplicity; however, they lack both accuracy and adaptability. This study proposes a hybrid approach leveraging various Machine Learning (ML) techniques, including Deep Learning (DL) models, and Genetic Algorithms (GA) optimization to predict infiltration rate f(t) and cumulative infiltration F(t). Four models were developed: linear regression, non-linear regression, a standalone Convolutional Neural Network (CNN), and a GA-optimized CNN. Experimental data (time, f(t), F(t), moisture, and soil types) were split into 70% training and 30% testing sets. Model performance was validated using a combination of statistical metrics and graphical tools, including scatter plots and Taylor diagrams. Results show that using GA optimization significantly reduced errors across all models, with time identified as the dominant factor influencing infiltration, while soil moisture and texture showed negligible impact in the Madjez Ressoul watershed. The optimized CNN consistently achieved the highest accuracy for f(t) and F(t) estimation. Overall, the integration of AI -driven modeling, particularly GA-enhanced DL architectures, represents a significant advancement in hydrological prediction, and offering a scalable and precise framework for managing water resources in Mediterranean environments. Keywords Infiltration rate · Cumulative infiltration · Machine learning · Deep learning · Convolutional neural networks · Genetic algorithms · Algeria

Résumé: The Madjez Ressoul watershed, located in Algeria (A = 103 km2), provides a unique opportunity to investigate the accurate prediction of flood hydrographs in a natural setting and relatively untouched environment. Its particularity is an excellent option for simplified rainfall–runoff models due to the potential reduction in model complexity and data requirements. This study applies the Hydrologic Engineering Center’s Hydrologic Modeling System model to simulate 36 year rainfall–runoff modeling (1973–2009). The originality of this study lies in employing experimental infiltration data to improve rainfall–runoff prediction. The study offers valuable insights into the hydrological behavior of the Madjez Ressoul watershed by integrating advanced methods and tools when analyzing hydrological responses. Effective calibration refines the model’s ability to predict flow dynamics by adjusting various parameters. Various methods were selected to simulate hydrological processes, including the soil conservation service-curve Number, SCS unit hydrograph, Muskingum, recession baseflow, and channel loss. The model was tested on many continuous events, and the results revealed a good fit between the simulated and observed discharge data. This evaluation was performed using four criteria (the Nash Sutcliff test, root mean square error, percent bias, and correlation coefficient), indicating reasonable accuracy of the model correlation. Using the findings of this study can aid in providing a better knowledge of water flow dynamics in the Madjez Ressoul watershed by opening up new possibilities to inform the development of flood risk management techniques that have the potential to mitigate the adverse effects of floods on the environment.

Résumé: Evaluation and modeling of soil water infiltration are essential to all aspects of water resources management and the design of hydraulic structures. Nonetheless, research focused on experimental studies of infiltration rates in arid and semi-arid regions under unknown boundary conditions remains minimal. This paper investigates the characteristics of the spatial variability of infiltration over a semi-arid rural basin of Algeria. The experiments were conducted using a portable double-ring infiltrometer filled at an equal volume of approximately 100 L of water for each of the 25 catchment locations. Soil moisture contents at the proximity of each test location were evaluated in the laboratory as per the standard NF P94–050 protocol. The experimental results are used to produce the catchment infiltration curves using three statistically fitted infiltration models, namely Horton, Kostiakov, and Philip models. The reliability of the models was assessed using four performance criteria. The statistical regressions of the fitted models suggest that the Horton model is the most suitable to assess the infiltration rate over the catchment with mean coefficients of Nash = 0.963, CC = 0.985, RMSE = 1.839 (cm/h), and Bias = 0.241. The superiority of the Horton model suggests that the initial and final infiltration rates, primarily affected by soil type, initial soil moistures, and land cover, are important predictors of the modeling process over the Madjez Ressoul catchment. The results also infer that the applicability of other models to the different types of undeveloped soils in the study area requires advanced field investigations. This finding will support the understanding of the hydrologic processes over semi-arid basins, especially in advising crop irrigation schemes and methods and managing the recurring flood and drought over the country. Keywords: Philip; Horton and Kostiakov infiltration models; saturated hydraulic conductivity; soil moisture; portable double-ring infiltrometer; Madjez Ressoul catchment; statistical criteria

Résumé: This study is a new application of the recession curve analysis with a new non-subjective method. Its objective is to construct master recession curves generated by placing, horizontally, the vertex of individual recession segments of the most suitable connection line defined by measurement points of a preceding recession segment. This proposed methodology was applied for a rural catchment with a low urban contribution, namely Madjez Ressoul, which is located in the Ain Berda region in Algeria. The results of separation always give an appropriate R2 coefficient; they confirm the ability to calculate the recession curve coefficient k of the three processes (surface flow, subsurface flow and baseflow).

Résumé: Data scarcity remains a critical challenge for hydrological modeling in semi-arid regions. The Madjez Ressoul catchment in Northern Algeria, historically a rural basin, is currently experiencing increasing urban contributions, making its hydrological modeling particularly relevant. The lack of continuous monitoring networks, however, still constrains the understanding of soil-water interactions and runoff dynamics. To address these limitations, targeted field infiltration experiments were conducted to generate essential datasets. This effort has led to several complementary contributions: (i) the first assessment of empirical infiltration models (Dahak et al. 2022), (ii) the integration of experimental measurements into a hybrid rainfall- runoff model (Dahak et al. 2024), and (iii) the present attempt to analyze and predict infiltration parameters using artificial intelligence (Machine and Deep Learning). Results show that AI-driven models, particularly convolutional neural networks optimized with genetic algorithms, significantly improve predictive accuracy compared to traditional approaches. This strategy maximizes the use of scarce experimental data while providing valuable insights into both infiltration rate f(t) and cumulative infiltration F(t). Four robust hybrid models were developed, including linear regression, nonlinear regression, a standalone Convolutional Neural Network (CNN), and a Genetic Algorithm (GA)-optimized CNN. Experimental field data including time, f(t), F(t), soil moisture, and soil type were compiled and partitioned into training (70%) and testing (30%) subsets. Model performance was evaluated using multiple statistical metrics and graphical tools such as scatter plots and Taylor diagrams. Results indicate that GA optimization significantly reduced errors across all tested models. Time emerged as the most influential variable in predicting infiltration parameters, whereas soil moisture and textural properties showed limited impact in this context. Among the tested approaches, the GA-optimized CNN consistently achieved the highest predictive accuracy. By combining targeted field campaigns with advanced modeling techniques, this study demonstrates how scarce but high-quality datasets can support the progressive documentation and integrated modeling of rural–urban transition basins. The Madjez Ressoul catchment illustrates how data scarcity can be overcome to inform water resources management in Mediterranean and semi-arid contexts. Keywords: Infiltration Modeling; Infiltration rate; Cumulative Infiltration; Machine Learning; Deep Learning

Résumé: Cette recherche étudie la possibilité d’améliorer la simulation d’un modèle pluie-débit dans le bassin versant de Madjez Ressoul, en tenant compte des conditions réelles du sol. Des mesures expérimentales et des essais en laboratoire ont été effectués afin d'évaluer l'infiltration et la teneur en eau du sol sur la zone d'étude. Ces travaux ont été entravés par la disponibilité de l'eau et l'accessibilité à tous les points en raison du relief complexe qui caractérise la zone d'étude. Comme conclusion, les résultats de l’intégration des données expérimentales dans un modèle Hec Hms ont montré une amélioration de la simulation sur des événements en mode continu, d'ou les valeurs des critères de validation ont été très satisfaisantes sur des événements simulés en mode continu entre la période de 1973-2003. L'intégration des paramètres de l'identification des processus hydrologiques (débit initial, coefficient de récession) obtenus séparément à l'aide d'autres outils a permit l'augmentation de la performance du modèle. Une telle étude a l'avantage d’être la première en Afrique, après plusieurs autres études similaires en chine , au Pakistan , en inde ...etc Mots clés: simulation en continu, hec HMS, taux d'infiltration, récession, modèle pluie-débit

Résumé: It’s clear that soil Infiltration rate is a fundamental parameter affecting runoff generation, groundwater level, and plants growth. Therefore, experimental measurements of this parameter is always the right choice, the current study proposed an analysis of infiltration rate data with a standalone algorithm of three most commonly used artificial intelligence techniques (genetic algorithm (GA), Convolutional neural network (CNN), Imperialist competitive algorithm (ICA) ) , include the well-known deep learning and gray wolf optimization (GWO), for infiltration rate analysis. The input data were: Soil characteristics (sand, clay, gravel), and soil moisture, while the output data were cumulative infiltration and infiltration rate. At the first time, the dataset was split up for model building and validation. Then, input was constructed. Accordingly, the prediction and analysis of each developed algorithm was evaluated using different statistical criteria [root mean square error, mean absolute error, the Nash Sutcliffe efficiency, and percentage of bias metrics. Results revealed that the time of measurement is more important for cumulative infiltration, while soil characteristics (i.e. sand content) are more significant in infiltration rate prediction. This shows that in the study area, sand parameter, which is the dominant constituent parameter, can control infiltration process more effectively. The results also showed that a CNN algorithm outperformed the other algorithms, followed by other algorithms. All developed algorithms underestimated cumulative infiltration, while overestimating infiltration rates. Keywords: Infiltration, artificial intelligence, deep learning, data analysis

Résumé: Les flux d'échange entre les eaux souterraines et les eaux de surface doivent être étudier pour de nombreuses raisons, y compris la gestion des ressources en eau, l'érosion des sols, la pollution de l'eau, et la variabilité du climat. Les recherches actuelles, en particulier celles menées en combinant les eaux de surface et les eaux souterraines ont montré que le débit de base peut être la composante principale du stockage des systèmes de surface. Cependant, mesurer virtuellement ses valeurs est une tâche ardue en raison de la rareté des appareils de mesure du ruissellement pluvial sur les rivières sèches. Les modèles empiriques sont considérés comme alternatifs pour l’analyse de la récession. Ils fournissent des informations sur les processus d'écoulement de surface et souterrain pendant des périodes de non-pluie. L'objectif de cette recherche est d'évaluer la performance de trois techniques : entièrement automatisées et semi-automatisées pour la séparation de l’hydrogramme de crue (segments individuels, Filtre récursif, algorithmes génétiques). La procédure est basée sur l'analyse des récessions au sein du bassin versant de Madjez Ressoul. Des enregistrements de débit journaliers ont été donc utilisés pour le choix des évènements continus. Ces techniques se concentrent sur les valeurs du coefficient de récession couvrant plusieurs événements pluvieux au cours de la période 1973-2003. Les sorties de ces modèles ont ensuite été comparées et leurs résultats ont semblé valider deux techniques particulières : la méthode du filtre récursif à un seul paramètre et la méthode des algorithmes génétiques qui a été utilisée comme méthode d’optimisation. Les valeurs du test de la performance des modèles ont été trouvées satisfaisantes avec un coefficient de détermination R² = 0,7324-0,935 et une probabilité égale à 0,9. Ces valeurs confirment la meilleure séparation de tous les événements. Les similitudes absolues entre les types de flux trouvés par la méthode de filtrage et des algorithmes génétiques présentent des différences systématiques dans la forme du calage et aussi la prise en compte des obstacles et des limitations. Les résultats de cette étude ont été utilisé pour le calage automatique d’un modèle pluie-débit développé à partir des données expérimentales du taux d’infiltration et d’autres de l’humidité du sol déterminée en laboratoire dans le but d’éviter le calage arbitraire des modèles hydrologiques. Les résultats de cette modélisation en continue sont très encourageant et statistiquement fiables, ce qui contribue fortement au développement des recherches actuelles. Mots clés : Modélisation pluie-débit, Analyse de la récession, Coefficient de récession, Débit de base, Algorithmes génétiques, Modèle de récession, Techniques de séparation.

Résumé: L'évaluation et la modélisation de l'infiltration de l'eau dans le sol sont essentielles pour tous les aspects de la gestion des ressources en eau, et de la conception des ouvrages hydrauliques. Néanmoins, les recherches expérimentales sur les taux d'infiltration dans les régions arides et semi-arides sont peu. Cette étude étudie les caractéristiques de la variabilité spatiale de l'infiltration dans une zone rurale semi-aride pour un bassin versant Algérien. Les expériences ont été menées à l'aide d'un infiltromètre portable à double anneau (rempli d'un volume égal d'environ 100 L d'eau pour chacun des 25 points d’essais). Les teneurs en eau du sol à proximité de chaque site ont été évaluées en laboratoire selon le protocole standard NF P94-050. Les résultats expérimentaux sont utilisés pour produire les courbes d'infiltration du bassin versant à l'aide de trois modèles d'infiltration statistiquement ajustés, à savoir Horton, Kostiakov et Philip. La fiabilité des modèles a été évaluée à l'aide de quatre critères de performance. Les régressions statistiques des modèles ajustés suggèrent que le modèle d’Horton est le plus approprié pour évaluer le taux d'infiltration sur une longue période avec des coefficients moyens de Nash = 0,963, CC = 0,985, RMSE = 1,839 (cm/h), et Biais = 0,241. La supériorité du modèle d’Horton suggère que les taux d'infiltration initiaux et finaux, principalement affectés par le type de sol, les humidités initiales et la couverture végétale, sont des prédicteurs importants du processus de modélisation sur le bassin versant du Madjez Ressoul. Ces résultats montrent également que l'applicabilité d'autres modèles aux différents types de sols non aménagés dans la zone d'étude nécessite des enquêtes de terrain approfondies. Ces résultats permettront de mieux comprendre les processus hydrologiques dans les bassins semi-arides, en particulier pour conseiller les méthodes d'irrigation des cultures et gérer les inondations et les sécheresses récurrentes dans le pays. Mots clés : Taux d’infiltration, Modèle d’infiltration, Madjez Ressoul, Horton, Kostiakov, Philip

Résumé: This study is a new application of the recession curve analysis with a new non-subjective method. Its objective is to construct master recession curves generated by placing, horizontally, the vertex of individual recession segments of the most suitable connection line defined by measurement points of a preceding recession segment. This proposed methodology was applied for a rural catchment with a low urban contribution, namely Madjez Ressoul, which is located in the Ain Berda region in Algeria. The results of separation always give an appropriate R2 coefficient; they confirm the ability to calculate the recession curve coefficient k of the three processes (surface flow, subsurface flow and baseflow).

Résumé: Cette recherche propose une approche détaillée de l'analyse de données d'infiltration. Des algorithmes d'apprentissage ont été employés pour tester la capacité de prédiction d'un modèle basé sur l'apprentissage automatique (ML) et les réseaux de neurones convolutifs (CNN) utilisant des algorithmes génétiques (CNN-GA). Ces modèles ont été étudiée pour l'estimation de l'infiltration cumulée et du taux d'infiltration dont l’idée principale était d'évaluer la robustesse des nouveaux modèles en utilisant différentes variables d'entrée. Selon la littérature, c'est la première fois qu'un algorithme d’apprentissage profond (DL) est optimisé pour un bassin algérien. La méthode utilise des observations in-situ des types de sol, de la granulométrie et du taux d'humidité (%) en tant que variables d'entrée. Tout d'abord, 187 ensembles de données bruts ont été collectés grâce à une enquête in situ, notamment la durée de mesure, le type et la teneur en eau du sol, la granulométrie, le taux d'infiltration et l'infiltration cumulée. Ensuite, 70% de l'ensemble des données ont été utilisés pour la construction du modèle et les 30% restants pour la validation du modèle. Les résultats montrent que L'efficacité des variables dans cette étude est principalement liée au temps. L'erreur quadratique moyenne (9.66