Modelling the Water Quality of River Mara Using an Adaptive Neuro-Fuzzy Inference System (ANFIS)

Les rivières sont les artères des paysages, transportant l'eau qui soutient tout, du plus petit poisson aux plus grands troupeaux d'animaux de pâturage. Mais la santé d'une rivière ne dépend pas seulement de la quantité d'eau qui y circule ; elle dépend de ce qui est dissous ou en suspension dans cette eau. Les scientifiques mesurent cette santé en observant des ingrédients spécifiques, tels que la quantité d'oxygène disponible pour la vie aquatique, la quantité de déchets organiques en cours de décomposition et la quantité de boue ou de limon qui trouble le flux. Ces ingrédients ne restent pas identiques ; ils varient selon les saisons. Lorsque de fortes pluies tombent, elles entraînent du sol et des nutriments dans la rivière, modifiant sa chimie. Lorsque la saison sèche arrive, l'eau ralentit et différents processus prennent le relais. Comprendre ces changements de modèles est crucial pour la gestion des ressources en eau, en particulier dans les régions où les rivières traversent les frontières et soutiennent des écosystèmes entiers. Cependant, la relation entre ces ingrédients changeants est souvent désordonnée et imprévisible, ce qui rend difficile la prédiction du comportement d'une rivière en se basant uniquement sur de simples moyennes.

Dans la section tanzanienne de la rivière Mara, une voie navigable vitale partagée avec le Kenya, une équipe de chercheurs s'est donné pour mission de comprendre ces changements saisonniers complexes. Ils ont rassemblé une collection massive de données sur la qualité de l'eau s'étendant sur seize ans, de 2010 à 2026, prélevées en douze points différents le long de la rivière. Ils se sont concentrés sur quatre indicateurs clés : la quantité de boue et de limon en suspension, le niveau d'oxygène dissous, la quantité de pollution organique et la concentration d'azote ammoniacal. En triant ces données par saisons des pluies et saisons sèches, ils ont découvert que la rivière se comporte différemment selon la période de l'année. Pendant la saison des pluies, la quantité de pollution organique a augmenté de manière significative, tandis que les niveaux d'oxygène ont également connu une augmentation modeste. La quantité de boue en suspension est restée sensiblement la même entre les saisons, bien qu'elle ait varié plus brutalement lorsque les pluies étaient abondantes. Les niveaux d'ammoniac n'ont montré qu'une infime augmentation pendant les mois humides. Crucialement, les chercheurs ont découvert que ces chiffres ne suivent pas une courbe en cloche nette et prévisible ; au contraire, ils sont asymétriques, avec des pics occasionnels qui rompent le modèle de distribution normale. Cette irrégularité signifie que les outils mathématiques standards peinent souvent à donner un sens aux données.

Pour faire face à cette complexité, les chercheurs se sont tournés vers un modèle informatique sophistiqué appelé Système d'Inférence Neuro-Flou Adaptatif, ou ANFIS. Considérez ce système comme un observateur hautement entraîné qui apprend à reconnaître des motifs en étudiant des exemples, tout comme une personne apprend à identifier un oiseau en voyant de nombreuses espèces différentes plutôt qu'en mémorisant une simple définition de manuel. Ce modèle a été conçu pour gérer les relations désordonnées et non linéaires entre les ingrédients de la qualité de l'eau et un score global qui représente le niveau de pollution de la rivière. L'équipe a divisé ses seize années de données en deux groupes : l'un pour enseigner au modèle et l'autre pour tester ses prédictions. Ils ont fait fonctionner le modèle séparément pour la saison sèche et la saison des pluies afin de voir s'il pouvait s'adapter aux différentes conditions.

Les résultats ont été encourageants. Le modèle s'est avéré être un outil puissant pour comprendre la santé de la rivière, capturant avec succès les interactions complexes entre les différents facteurs de qualité de l'eau. Pendant la saison sèche, les prédictions du modèle correspondaient aux observations réelles avec un haut degré de précision, expliquant environ quatre-vingts pour cent des variations observées dans les données réelles. Il a obtenu des performances légèrement moindres, bien que toujours très solides, pendant la saison des pluies, expliquant près de quatre-vingts pour cent des variations. Le modèle n'a pas fait de prédictions parfaites, et il restait encore des différences inexpliquées, particulièrement durant les mois pluvieux lorsque la rivière est la plus chaotique. Cependant, le fait que le modèle ait si bien fonctionné sans avoir besoin de supposer que les données suivaient un schéma simple et linéaire suggère que cette approche est bien adaptée aux rivières qui changent rapidement.

L'étude souligne que, bien que la qualité de l'eau de la rivière Mara soit influencée par les pluies saisonnières et l'activité humaine, ces changements peuvent être suivis et compris grâce à des techniques de modélisation avancées. Les chercheurs ont noté que leur travail reposait sur quatre mesures spécifiques, et que l'ajout de points de données supplémentaires, tels que les quantités de précipitations ou la température de l'eau, pourrait rendre les futurs modèles encore plus précis. Ils ont également reconnu que leurs données provenaient de sources différentes sur de nombreuses années, ce qui pourrait introduire de petites incohérences. Malgré ces limites, l'étude démontre que l'intelligence artificielle peut servir de guide fiable pour la gestion des rivières. En apprenant du passé, ces modèles offrent un moyen d'anticiper les futurs problèmes de qualité de l'eau, offrant une image plus claire de la manière de protéger cette ressource transfrontalière critique pour la faune, l'agriculture et les communautés qui en dépendent.