L'IA prédit et explique les niveaux d'eau des Grands Lacs
Une étude récente publiée dans la revue Science of the Total Environment démontre comment l'intelligence artificielle peut non seulement prédire, mais aussi expliquer les variations du niveau d'eau des Grands Lacs. Cette recherche répond à un défi majeur de l'hydrologie moderne : déchiffrer l'interaction complexe entre précipitations, fonte des neiges, évaporation et décisions humaines. Les chercheurs ont analysé quarante années de données, de 1982 à 2022, pour les lacs Supérieur, Michigan, Érié et Ontario. Plutôt que de s'appuyer uniquement sur l'équilibre hydrologique traditionnel, ils ont entraîné huit algorithmes d'apprentissage automatique. Ces modèles intègrent neuf variables climatiques et hydrologiques, incluant des retards allant jusqu'à six mois pour capturer l'inertie des bassins. Pour combler le manque de transparence typique des réseaux de neurones, l'équipe a combiné deux techniques d'interprétabilité : les valeurs SHAP, qui répartissent équitablement l'influence de chaque facteur, et l'analyse VARS, qui mesure l'impact de modifications artificielles dans le temps. Cette approche a réduit l'erreur de prévision à environ douze centimètres, surpassant nettement les modèles classiques. Les résultats révèlent une dynamique saisonnière marquante. Contrairement à ce que laissait supposer l'hydrologie traditionnelle, l'impact des conditions météorologiques ne s'estompe pas rapidement. Il atteint son paroxysme trois ou quatre mois plus tard. Cette inertie confirme que les chutes de neige hivernales déterminent largement les niveaux estivaux, offrant ainsi une fenêtre de prévision fiable pour la saison à venir. Cependant, le lac Ontario constitue une exception notable. Son niveau, régulé quotidiennement par les opérations du barrage Moses-Saunders, échappe aux prédictions climatiques pures. L'intervention humaine, trop granulaire pour être résumée par des moyennes mensuelles, brouille les signaux du modèle. Cette limite souligne une distinction cruciale entre les forces naturelles et les décisions de gestion collective. Au-delà de la modélisation brute, cette étude insiste sur l'impératif de l'IA explicable. Dans des domaines critiques comme la gestion des barrages, la protection des zones inondables ou la préservation des prises d'eau potable, une prédiction sans raisonnement clair est inopérante. Un modèle doit être vérifiable, discutable et capable d'identifier ses propres causes d'erreur. Pour pallier le décalage du lac Ontario, les chercheurs suggèrent d'intégrer directement les règles opérationnelles des barrages au sein des algorithmes, aux côtés des données météorologiques. Cette méthodologie hybride, alliant puissance computationnelle et interprétation physique, ouvre désormais de nouvelles perspectives. En collaboration avec le consortium Ouranos, l'approche est actuellement déployée pour cartographier la recharge des nappes phréatiques dans le sud du Québec. En rendant l'intelligence artificielle transparente et responsable, les scientifiques espèrent en faire un outil légitime et indispensable pour l'adaptation environnementale et la gestion durable des ressources hydriques face au changement climatique.
