An Explainable Deep Learning Framework for Evapotranspiration Prediction Using Hydro-Meteorological Data

L'eau est le fil qui coud l'atmosphère à la terre, circulant constamment entre le ciel et le sol. Lorsque la pluie tombe, une partie s'infiltre dans le sol, une autre s'écoule dans les rivières, et une partie disparaît à nouveau dans l'air sous forme de vapeur par un processus appelé évapotranspiration. Il s'agit d'une combinaison de l'évaporation de l'eau du sol et de la libération d'humidité par les plantes à travers leurs feuilles. Comprendre exactement quelle quantité d'eau effectue ce voyage est crucial. Cela indique aux agriculteurs quand irriguer, aide les ingénieurs à concevoir des réservoirs et permet aux gestionnaires de catastrophes de prédire quand les rivières pourraient gonfler pour devenir des crues. Pendant des décennies, les scientifiques se sont appuyés sur des formules complexes pour estimer ces mouvements d'eau, mais ces méthodes nécessitent souvent des montagnes de données météorologiques et un ajustement minutieux qui les rend difficiles à utiliser dans les endroits où les relevés sont incomplets.

Une nouvelle approche, détaillée dans une recherche récente, suggère que les ordinateurs peuvent apprendre ces modèles d'eau directement à partir de l'histoire, sans avoir besoin de formules rigides. Cette étude introduit un cadre qui utilise l'apprentissage profond (deep learning), un type d'intelligence artificielle capable de trouver des modèles cachés dans de vastes quantités d'informations. Les chercheurs ont combiné plusieurs architectures informatiques différentes pour qu'elles agissent comme une équipe : certaines pour repérer les modèles locaux dans le paysage, d'autres pour mémoriser comment la météo change au fil du temps, et un système spécial pour expliquer précisément pourquoi l'ordinateur a fait une prédiction spécifique. En tissant ensemble les données météorologiques, la situation géographique et ce nouveau type d'intelligence artificielle, l'étude offre une façon plus claire et plus transparente de prévoir comment l'eau circule à travers la Terre, une étape vitale pour la gestion des ressources dans un climat changeant.

Les chercheurs ont entrepris de construire un système capable de prédire l'évapotranspiration et l'évapotranspiration potentielle, qui est la quantité maximale d'eau qui pourrait s'évaporer si l'eau était illimitée. Pour ce faire, ils ont recueilli des données secondaires sur la pluviométrie, la température, l'humidité, la vitesse du vent, le rayonnement solaire, ainsi que la latitude et la longitude spécifiques d'un lieu. Au lieu de s'appuyer sur un seul modèle informatique, ils ont entraîné quatre types différents de réseaux d'apprentissage profond pour analyser ces informations. Un type, connu sous le nom de réseau de neurones, a servi de base pour trouver des relations générales. Un autre, un réseau convolutif, a été conçu pour analyser les données comme s'il s'agissait d'une image, aidant à identifier comment des caractéristiques telles que la température ou la pluie varient à travers différentes parties d'un paysage. Deux autres types, connus sous le nom de réseaux récurrents, ont été spécifiquement construits pour comprendre le temps. Ils pouvaient observer une séquence d'événements météorologiques et se souvenir de la manière dont la pluie ou l'humidité d'hier ont influencé les conditions d'aujourd'hui.

L'étude a révélé que ces différents « esprits » informatiques possédaient des forces distinctes. Les réseaux conçus pour gérer le temps, capables de se souvenir des événements météorologiques passés, se sont révélés plus performants pour capturer le flux des modèles hydrologiques que les réseaux standards qui ne regardent que le présent. Cela est logique, car le mouvement de l'eau est une histoire qui se déroule sur des jours et des semaines, et non sur un simple instantané. Les réseaux analysant les caractéristiques spatiales ont également amélioré les prédictions en reconnaissant qu'une zone de terre chaude et sèche se comporte différemment d'une vallée humide, même si la température de l'air est la même. En combinant ces approches, le cadre a créé une image plus complète de la manière dont l'eau circule dans l'environnement.

Cependant, un obstacle majeur de l'intelligence artificielle est qu'elle agit souvent comme une « boîte noire », donnant une réponse sans expliquer comment elle est parvenue à cette conclusion. Dans des domaines comme la gestion de l'eau, où les décisions affectent des millions de vies, savoir le « pourquoi » est tout aussi important que le « quoi ». Pour résoudre cela, les chercheurs ont intégré un outil appelé SHAP, qui agit comme une loupe sur la prise de décision de l'ordinateur. Cet outil décompose la prédiction finale pour montrer exactement comment chaque facteur a contribué au résultat. L'analyse a révélé que la pluie, la température et le rayonnement solaire étaient les principaux moteurs de l'évapotranspiration, tandis que l'humidité et la vitesse du vent jouaient également des rôles significatifs. Crucialement, le système a montré que la situation géographique elle-même importait, confirmant que l'endroit où un lieu se situe sur la carte influence son cycle de l'eau.

Les résultats ont été visualisés sur des cartes montrant comment l'évapotranspiration varie à travers une région. Les zones présentant des températures plus élevées et un ensoleillement intense montraient des taux de perte d'eau plus élevés, tandis que les lieux plus humides retenaient davantage d'humidité. Cette vue spatiale a permis aux chercheurs de voir le cycle de l'eau non pas seulement comme un chiffre, mais comme un paysage qui se déplace et change. L'étude suggère qu'en intégrant ces différents modèles informatiques avec des cartes géographiques et des outils explicables, les scientifiques peuvent dépasser la simple conjecture. Le cadre ne se contente pas de prédire l'avenir ; il explique la logique derrière la prédiction, ce qui en fait un outil fiable pour les planificateurs.

Cette recherche ne prétend pas avoir résolu tous les problèmes de la prévision de l'eau. L'étude s'est appuyée sur des données existantes et a proposé une comparaison qualitative de la performance de ces différents modèles informatiques, plutôt que de fournir un ensemble définitif de chiffres pour chaque scénario possible. Les auteurs notent que les travaux futurs devront tester ces méthodes avec des ensembles de données plus vastes et des variables plus complexes, telles que l'humidité du sol et la santé de la végétation. Pourtant, ce travail établit une voie claire à suivre. Il démontre que nous pouvons construire des systèmes intelligents qui sont non seulement précis, mais aussi compréhensibles. Pour les gestionnaires de nos ressources en eau, cela signifie disposer d'un outil capable de prévoir les inondations et les sécheresses tout en montissant clairement la météo et la géographie qui pilotent ces prévisions, transformant des données complexes en connaissances exploitables pour un avenir plus résilient.