Integrating GIS and machine learning for pollution vulnerability mapping in South Africa’s Kruger National Park

L'air que nous respirons est rarement immobile. Même dans les coins les plus reculés du monde, des nuages invisibles de fumée, de poussière et de gaz dérivent à travers les frontières, transportés par le vent et la météo. Bien que nous considérions souvent la pollution de l'air comme un problème confiné aux villes animées et aux zones industrielles, ces polluants voyagent loin, se déposant dans des lieux sauvages où ils peuvent nuire aux plantes, aux animaux et à l'équilibre délicat de la nature. Pour les gestionnaires de vastes terres protégées, savoir où ces menaces invisibles sont les plus fortes est difficile. Ils ne peuvent pas simplement placer un capteur sur chaque colline ou rivière, et la météo change trop rapidement pour que les vieux jeux de devinettes fonctionnent. Pour résoudre cela, les scientifiques se tournent vers une combinaison puissante d'outils : des yeux satellitaires qui voient la planète entière, des cartes numériques qui organisent cette vue, et des programmes informatiques intelligents qui apprennent des modèles pour prédire l'avenir.

Dans une étude récente portant sur le parc national Kruger en Afrique du Sud, des chercheurs ont utilisé cet ensemble d'outils modernes pour créer une carte détaillée de la vulnérabilité à la pollution. Le Kruger est l'une des plus grandes réserves de gibier d'Afrique, une étendue sauvage de près de 20 000 kilomètres carrés où les éléphants, les lions et les rhinocéros errent librement. Le parc n'est pas isolé du monde ; il est situé à proximité de zones d'habitation humaines et de zones industrielles, ce qui signifie qu'il est sujet aux polluants dérivant de l'extérieur. Les chercheurs voulaient comprendre quelles parties de ce parc massif sont les plus à risque face à la pollution de l'air et quels facteurs les rendent vulnérables. Ils ne se sont pas appuyés sur une seule méthode, mais ont plutôt construit un système qui combinait des données satellitaires sur la végétation, la pluviométrie et la température avec des mesures de gaz spécifiques comme le dioxyde d'azote et le dioxyde de soufre. Ils ont ensuite injecté ces informations dans trois types différents de modèles d'apprentissage informatique pour voir lequel pouvait le mieux prédire où la pollution poserait problème.

L'équipe a recueilli des données depuis l'espace, utilisant des satellites pour suivre tout, de la densité de la végétation verte à la concentration de gaz nocifs dans l'atmosphère. Ils ont observé la quantité de pluie tombée, la chaleur présente et la quantité de méthane et de monoxyde de carbone. En superposant toutes ces informations, ils ont créé une image numérique de l'environnement du parc. Ils ont ensuite entraîné leurs modèles informatiques à reconnaître les signes de pollution. Un modèle, appelé Forêt Aléatoire (Random Forest), fonctionne en construisant de nombreux petits arbres de décision et en leur demandant de voter sur la réponse. Un autre, la Machine de Boosting de Gradient (Gradient Boosting Machine), apprend en corrigeant ses propres erreurs étape par étape. Le troisième, une Machine à Vecteurs de Support (Support Vector Machine), tente de trouver la meilleure ligne possible pour séparer les zones propres des zones polluées. L'objectif était de voir laquelle de ces approches pourrait identifier le plus précisément les zones où l'écosystème est le plus susceptible de souffrir d'une mauvaise qualité de l'air.

Les résultats ont montré que les modèles informatiques ont été assez performants pour cartographier les menaces invisibles. Le modèle de Machine de Boosting de Gradient s'est avéré le plus précis pour classer correctement les données, trouvant la bonne réponse environ 71 pour cent du temps. Le modèle de Forêt Aléatoire était légèrement moins précis dans cette mesure spécifique, mais il était exceptionnellement bon pour distinguer les différents niveaux de risque, une qualité cruciale pour prendre des décisions fines. Le troisième modèle, la Machine à Vecteurs de Support, a bien performé mais n'était pas aussi fort que les deux autres. Les trois modèles étaient d'accord sur le schéma général : les parties sud et sud-centrale du parc, particulièrement près des rivières Crocodile et Sabie, sont les plus vulnérables. Ces zones présentaient des concentrations plus élevées de dioxyde d'azote et de dioxyde de soufre, des gaz souvent liés à la combustion de carburant et à l'activité industrielle. Les modèles ont également révélé que ces deux gaz étaient les facteurs les plus importants pour prédire où la pollution poserait problème, plus encore que la quantité de pluie ou la densité des arbres.

Ce qui rend cette découverte significative, c'est qu'elle confirme que la pollution n'est pas seulement un problème de ville. L'étude suggère que même dans un lieu sauvage comme le Kruger, la qualité de l'air est fortement influencée par l'activité humaine lointaine, transportée par le vent. Les chercheurs ont découvert que les zones présentant le risque le plus élevé ne sont pas aléatoires ; elles se regroupent autour de vallées fluviales spécifiques et des bordures sud du parc, là où le vent transporte souvent les polluants provenant des villes et des routes voisines. Les modèles informatiques ont également mis en évidence que la végétation joue un rôle complexe. Bien que les forêts denses puissent parfois absorber la pollution, les données ont montré que les zones dotées d'une verdure dense étaient souvent corrélées à des niveaux plus élevés de certains gaz, probablement parce que ces zones sont aussi plus proches des sources de pollution. Cette nuance est quelque chose qu'une simple observation pourrait manquer, mais les modèles informatiques l'ont saisie clairement.

Le résultat final de ce travail est un ensemble de cartes à haute résolution qui divisent le parc en cinq catégories, allant d'une vulnérabilité très faible à une vulnérabilité très élevée. Ces cartes montrent qu'environ un cinquième du parc se trouve dans la catégorie de risque le plus élevé, tandis qu'un autre cinquième se trouve dans la catégorie très faible. Le juste milieu, où le risque est modéré, couvre la plus grande partie du terrain. Ces cartes ne sont pas de simples images ; ce sont des outils pratiques pour les gestionnaires de parcs. En sachant exactement où l'air est le plus susceptible d'être toxique, les gardes et les conservationnistes peuvent concentrer leurs efforts de surveillance, planifier les feux plus soigneusement et protéger la faune sensible dans les zones qui en ont le plus besoin. L'étude suggère que cette approche combinant données satellitaires et apprentissage informatique intelligent peut changer la donne pour la protection des vastes zones sauvages, offrant un moyen de voir l'invisible et d'agir avant que les dommages ne soient causés.

La recherche se connecte également à des objectifs planétaires plus larges. En protégeant la terre et son air, l'étude soutient les efforts visant à maintenir des écosystèmes sains, ce qui est un élément clé des objectifs mondiaux de durabilité. Elle touche également à l'action climatique, car les mêmes modèles météorologiques qui déplacent la pollution sont aussi ceux qui pilotent le changement climatique. Bien que l'étude n'ait pas mesuré la santé des populations vivant à proximité, elle fournit les données environnementales nécessaires pour comprendre comment la pollution se déplace et se dépose, ce qui est la première étape pour protéger à la fois la faune et les communautés humaines. Ce travail démontre que même dans un lieu aussi vaste et sauvage que le Kruger, la science peut fournir une vision claire des défis auxquels la nature est confrontée, transformant des données complexes en un guide simple et actionnable pour la conservation. Les cartes produites sont le témoignage de l'idée qu'avec les bons outils, nous pouvons voir les menaces pesant sur notre monde naturel assez clairement pour les arrêter.