Comment l’IA peut prévoir – et expliquer – le niveau d’eau des Grands Lacs ?

Source: The Conversation – in French – By Rahim Barzegar, Professeur, Université du Québec en Abitibi-Témiscamingue (UQAT)

En janvier 2013, le lac Michigan atteignait le niveau d’eau le plus bas jamais enregistré. Sept ans plus tard, à l’été 2020, il battait des records inverses : inondations répandues, berges arrachées, routes riveraines fermées. Entre ces deux extrêmes, près de deux mètres. Les lacs Supérieur, Érié et Ontario ont connu le même retournement à quelques mois près. Presque personne ne l’avait vu venir.

Ces basculements se préparent pendant des mois, dans un mélange de pluie, de neige, d’évaporation et de décisions humaines. Démêler ce mélange reste l’un des problèmes les plus tenaces dans le domaine de l’hydrologie, et l’un des plus importants. Le niveau d’eau contrôle la profondeur des ports, la stabilité des berges, les prises d’eau potable et la survie des milieux humides côtiers.

Une analyse de quarante ans de fluctuations, que nous avons publiée dans Science of the Total Environment, s’y attaque avec des outils venus de l’intelligence artificielle (IA).

Le but n’était pas seulement de prédire les niveaux d’eau, mais d’utiliser l’IA de façon à expliquer ce qui les fait varier.

Une machine qui devine, mais n’explique rien

Pendant des décennies, on traitait la balance hydrologique comme un compte bancaire : on additionne les dépôts (pluie, ruissellement, apports de l’amont), on soustrait les retraits (évaporation, débits sortants), et le solde donne le niveau d’eau. L’approche est rigoureuse, mais elle nécessite une longue calibration et ne capture pas précisément les écarts inhabituels du climat.

L’apprentissage automatique par l’IA fait l’inverse : on lui fournit quarante ans de données et il en extrait les régularités grâce à un algorithme. Un algorithme consiste en une série de calculs qui transforme les chiffres reçus en une estimation du niveau d’eau et se corrige s’il s’écarte des mesures.

On gagne en précision, mais le résultat arrive sans explications, lesquelles sont nécessaires si le résultat sert à gérer un barrage ou à cartographier des zones inondables.

Demander des comptes à la machine

Pour régler ce problème, nous avons entraîné huit algorithmes sur les niveaux d’eau mensuels des lacs Supérieur, Michigan, Érié et Ontario, de 1982 à 2022. Nous avons incorporé neuf variables dans chaque algorithme, comme la température de l’air et les débits d’apports en eau.

Chaque variable était fournie pour le mois en cours, mais aussi pour un mois plus tôt, deux mois plus tôt, jusqu’à six mois en arrière. Ce faisant, le modèle pouvait relier le niveau d’eau de juin à la neige tombée en janvier.

Pour les quatre algorithmes les plus performants, l’erreur descendait à une douzaine de centimètres, contre 14 à 21 pour les modèles les plus simples.

Puis, nous l’avons forcé à se justifier avec les valeurs de Shapley (SHAP), une technique issue de la théorie des jeux qui répartit équitablement le gain d’une équipe entre ses joueurs. Ici, elle donne la contribution de chaque variable dans la hausse ou la baisse du niveau d’eau, pour un mois donné. Autrement dit, est-ce les températures de l’air ou bien les débits entrants qui sont plus importants pour contrôler le niveau d’eau ?

Mais SHAP ne renseigne pas sur la durée qu’un signal met à traverser un bassin versant.

D’où une seconde technique, l’analyse variographique des surfaces de réponse (VARS). Au lieu d’observer le modèle, on le perturbe, par exemple en augmentant le ruissellement comme le ferait une fonte hâtive des neiges. On mesure l’impact de cette perturbation un mois plus tard, puis six mois.

Ensemble, SHAP et VARS donnent les variables coupables du niveau d’eau et leur délai d’action.

La neige de janvier décide du niveau de juin

Les quatre lacs à l’étude présentent des différences fondamentales.

Les lacs Supérieur et Michigan sont de grandes cuves lentes nourries par la fonte des neiges dont le niveau d’eau dépend du ruissellement et des débits sortants. Le lac Érié, peu profond, dépend de ce qui lui arrive de l’amont par la rivière Détroit. Quant au lac Ontario, il se distingue par le poids de l’évaporation.

En appliquant la même méthode avec les mêmes variables, nous avons obtenu quatre réponses différentes étant donné ces caractéristiques.

Le résultat le plus frappant de notre étude concerne le temps. On s’attendait à voir l’influence des variables s’estomper à mesure qu’on remonte dans le passé, comme dans une rivière où l’averse s’oublie en quelques jours. C’est l’inverse : elle grandit après trois ou quatre mois.

Un lac ne réagit donc pas à la météo d’hier, mais à celle de la saison précédente. Ces lacs ont une forte inertie, et c’est une bonne nouvelle pour la prévision saisonnière : une partie de ce qui fera le niveau de l’été prochain est déjà tombée, sous forme de neige.

Déjà des milliers d’abonnés à l’infolettre de La Conversation. Et vous ? Abonnez-vous gratuitement à notre infolettre pour mieux comprendre les grands enjeux contemporains.

Le lac le plus imprévisible est celui qu’on contrôle

Un lac a tenu tête à nos algorithmes : le lac Ontario, avec une erreur supérieure de moitié, due à des décisions humaines.

En effet, ses niveaux d’eau sont réglés au barrage Moses-Saunders, selon des règles d’exploitation ajustées au jour le jour. Dans notre modèle, chaque variable est résumée par une seule valeur mensuelle. Ainsi, le débit sortant du barrage figure bien dans nos données, mais la succession de décisions humaines qui l’a produit disparaît dans le calcul de la moyenne.

Lorsque davantage d’eau est relâchée pour protéger les riverains en aval, alors que le climat ne l’imposait pas, le modèle voit un niveau qui chute sans cause repérable parmi ses variables. Il apprend mal, et se trompe davantage.

Cet échec montre une limitation entre ce que le climat explique et ce qui relève de nos décisions collectives. La solution est simple : il faut fournir ces règles au modèle, au même titre que la pluie ou la neige. Ainsi, les algorithmes cesseront de prendre nos décisions pour des données aberrantes.

Au-delà des Grands Lacs

Les applications de notre approche vont aussi au-delà des Grands Lacs et des eaux de surface.

Avec Ouranos, le consortium québécois sur la climatologie régionale et l’adaptation aux changements climatiques, nous appliquons maintenant cette approche à la recharge des eaux souterraines du Québec méridional, cette fois avec un modèle informé par la physique.

Notre contribution représente l’exception, car la plupart des modèles d’IA employés en environnement sont incapables de s’expliquer. Il s’agit pourtant d’une exigence non négociable pour un outil qui sert à gérer un barrage ou à protéger une source d’eau potable.

Un modèle interprétable est un modèle qu’on peut vérifier, discuter et contredire. C’est la condition pour que l’IA devienne un instrument légitime dans la gestion de l’eau.

Rahim Barzegar a reçu des financements de l’Université du Québec en Abitibi-Témiscamingue (UQAT).

Ehsan Raei et Jan Franklin Adamowski ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’ont déclaré aucune autre affiliation que leur poste universitaire.

– ref. Comment l’IA peut prévoir – et expliquer – le niveau d’eau des Grands Lacs ? – https://theconversation.com/comment-lia-peut-prevoir-et-expliquer-le-niveau-deau-des-grands-lacs-288682