From Classification Accuracy to Decision Value: Multimodal Sensor Fusion for Economic Prioritization of Landfill Mining Simulation-based Value-of-Information Analysis

Sous la surface de nombreuses villes se trouvent de vastes réservoirs de déchets oubliés : les décharges. Pendant des décennies, ces sites ont simplement été recouverts, traités comme des sépultures permanentes pour des matériaux jetés. Aujourd'hui, un mouvement croissant cherche à les rouvrir, non seulement pour récupérer le terrain, mais pour déterrer les ressources qui y sont enfouies. Ce processus, connu sous le nom de minage de décharge, consiste à excaver d'anciens déchets pour récupérer des métaux précieux, des plastiques et d'autres matériaux, tout en éliminant les dangers environnementaux. Cependant, l'économie d'un tel projet est incroyablement fragile. La rentabilité de l'excavation d'une décharge dépend entièrement de ce qui est réellement caché sous terre. Si le site est riche en métaux de haute valeur, l'opération peut être une mine d'or ; s'il est principalement composé de débris de faible valeur ou de terre inerte, le projet peut rapidement devenir un désastre financier. Parce que ces sites sont souvent vieux de plusieurs décennies et mal documentés, les exploitants sont contraints de prendre des décisions se chiffrant en milliards de dollars sur la base d'informations incomplètes, ce qui entraîne un taux élevé d'échec où les projets sont abandonnés ou perdent de l'argent.

Le défi central est l'incertitude. Avant qu'une seule pelle ne touche le sol, personne ne connaît le mélange précis de matériaux ni l'emplacement des poches de gaz dangereuses. Pour résoudre cela, des chercheurs ont proposé d'utiliser des capteurs avancés pour scanner le sol depuis la surface, créant ainsi une carte détaillée de ce qui se trouve en dessous sans avoir à creuser au préalable. Ces capteurs agissent comme différents types d'yeux : certains détectent les métaux magnétiques, d'autres perçoivent les changements de densité du sol, et certains peuvent même « sentir » les fuites de gaz. L'idée est qu'en combinant les données de ces divers capteurs, nous pouvons prédire le contenu de la décharge avec suffisamment de précision pour décider si le minage en vaut le coût. Mais une question cruciale demeure : ce balayage de haute technologie permet-il réellement d'économiser de l'argent, ou n'est-ce qu'un moyen coûteux d'obtenir une supposition légèrement plus précise ?

Une étude récente menée par le chercheur indépendant Leon Sandler aborde cette question en construisant une simulation informatique sophistiquée d'un projet de minage de décharge. Au lieu de tester sur une décharge réelle et désordonnée où les variables sont incontrôlables, le chercheur a créé un site virtuel couvrant une zone de 1 024 mètres carrés. Ce paysage numérique était peuplé de distributions réalistes de déchets, incluant du métal, du plastique, du verre, des matières organiques et des débris de construction, disposés en couches tout comme dans une décharge réelle. La simulation a ensuite effectué un levé virtuel à l'aide de cinq types de capteurs différents : un magnétomètre pour trouver le métal, un capteur d'induction électromagnétique pour mesurer la conductivité du sol, un radar à pénétration de sol pour voir les changements de densité, une caméra thermique pour détecter la chaleur, et un capteur de gaz pour renifler les émanations dangereuses. Le but était de voir si un programme informatique pouvait utiliser ces données de capteurs pour identifier correctement ce qui se trouvait dans chaque mètre carré du site et, plus important encore, pour déterminer si cette information changerait la décision financière de creuser.

Les résultats de la simulation ont révélé un décalage surprenant entre ce que les capteurs étaient capables de voir et ce qui importait réellement pour le portefeuille. Les modèles informatiques, utilisant des algoriths d'apprentissage automatique avancés, ont réussi de manière remarquable à identifier certains matériaux. Ils pouvaient repérer les métaux, les déchets organiques et les débris de construction avec une précision quasi parfaite, atteignant des taux de réussite de près de 99 % pour le métal. Cependant, ils éprouvaient des difficultés significatives avec le plastique et le verre, échouant souvent à les distinguer de la terre environnante. Il ne s'agissait pas d'un échec de l'intelligence de l'ordinateur, mais d'une limitation des capteurs eux-mêmes ; le plastique et le verre n'émettent tout simplement pas de signaux forts vers les capteurs magnétiques ou de densité utilisés dans l'étude.

La découverte la plus significative, cependant, fut que le capteur le plus performant pour trouver des objets n'était pas nécessairement celui qui générait le plus d'argent. Lorsque les chercheurs ont analysé les données, ils ont constaté que le radar à pénétration de sol était l'outil le plus puissant pour la classification générale, aidant l'ordinateur à identifier le plus grand nombre de types de déchets. Pourtant, lorsqu'ils ont calculé la valeur économique du levé, le radar n'apportait aucun profit supplémentaire. Le seul capteur qui augmentait systématiquement le retour financier attendu était le magnétomètre. Cela s'explique par le fait que le modèle économique était dicté par la haute valeur du métal. Puisque le magnétomètre était le meilleur outil pour trouver le métal, et que le métal était le matériau le plus précieux à récupérer, c'était le seul capteur qui influençait directement la décision de creuser. Les autres capteurs, bien qu'ils améliorent la vision globale de ce qui se trouve sous terre, scannaient des matériaux qui étaient soit trop peu coûteux, soit trop difficiles à récupérer pour justifier leur coût dans ce scénario spécifique.

L'étude a également testé une hypothèse courante en science des données : le fait que l'on doive être prudent quant à la manière dont on divise ses données lors de l'entraînement d'un modèle informatique. Dans de nombreux domaines, les chercheurs craignent que si l'on teste un modèle sur des données trop proches de celles dont il a appris, le modèle paraisse plus intelligent qu'il ne l'est réellement. Pour vérifier cela, les chercheurs ont comparé deux méthodes de test de leur modèle. Dans une méthode, ils ont dispersé les données de test de manière aléatoire sur le site. Dans l'autre, ils ont gardé un bloc entier du site caché pour voir si le modèle pouvait deviner ce qui s'y trouvait sans avoir vu cette zone spécifique. Étonnamment, dans cette simulation précise, la méthode aléatoire n'a pas rendu le modèle plus performant que la méthode par bloc. L'exactitude du modèle n'a pas chuté en observant des zones éloignées de ses données d'entraînement. Cela suggère que pour ce type particulier de données de capteurs, la difficulté de la tâche provient de la similitude des matériaux entre eux, et non du simple fait que le modèle mémorise la disposition du site.

La leçon la plus pratique de l'étude est peut-être qu'il n'existe pas de « meilleur » capteur universel pour chaque décharge. Les chercheurs ont testé ce qui se passerait si la composition de la décharge changeait. Si le site était riche en plastique ou en débris de construction plutôt qu'en métal, le capteur le plus précieux changerait. Dans un site riche en plastique, le radar à pénétration de sol devenait l'outil le plus important, tandis que dans un site rempli de débris de construction, le capteur électromagnétique prenait la tête. Cela signifie que le choix de l'équipement ne peut pas être basé sur une règle générique ; il doit être adapté à la composition spécifique des matériaux et aux prix actuels du marché. Une suite de capteurs parfaite pour un site pourrait être un gaspillage d'argent pour un autre.

Les chercheurs ont également examiné l'aspect de la sécurité, spécifiquement la capacité à détecter les poches de gaz dangereux. La simulation a montré que les capteurs de gaz pouvaient être réglés pour détecter presque toutes les poches dangereuses, garantissant ainsi qu'aucune personne ne soit blessée. Cependant, ce haut niveau de sécurité s'accompagnait d'un compromis : le système signalait également de nombreuses zones sûres comme étant dangereuses. Dans la simulation, environ la moitié des zones marquées comme dangereuses étaient en réalité sûres. Bien que cela puisse sembler inefficace, les chercheurs ont noté que dans un contexte de sécurité, il vaut mieux être excessivement prudent et creuser quelques endroits sûrs supplémentaires que de manquer une seule zone dangereuse.

En fin de compte, l'étude conclut que scanner une décharge avant de la creuser est une idée financièrement viable, mais seulement sous certaines conditions. Dans les simulations, le levé présentait une valeur économique positive dans 93 % des scénarios testés, avec un coût d'équilibre de 1 451 $. Cela signifie que tant que le levé coûte moins que ce montant, il est rentable de le réaliser pour éviter le risque de creuser un site sans valeur. Cependant, cette valeur est très sensible au marché. Si les prix des matériaux recyclés chutent ou si le coût du levé devient trop élevé, le bénéfice disparaît. L'étude offre une carte claire pour les exploitants : la valeur de l'information dépend de la composition spécifique des déchets et de la conjoncture économique actuelle, et non seulement de la précision des capteurs.

Les chercheurs précisent avec prudence que ces résultats sont basés sur une simulation informatique et non sur un test en conditions réelles. Les chiffres concernant la réaction des capteurs face aux différents matériaux reposent sur la physique connue mais n'ont pas été mesurés dans une décharge réelle. Pour prouver ces conclusions dans le monde réel, les chercheurs ont élaboré un plan de test par étapes. Celui-ci débuterait par un banc d'essai contrôlé où le contenu est connu, pour évoluer finalement vers un projet pilote à grande échelle sur un véritable site de décharge. Tant qu'un tel test n'aura été réalisé, les résultats resteront une prédiction hautement détaillée et logique plutôt qu'un fait prouvé. L'étude sert de guide puissant pour la manière d'aborder le problème, montrant que le chemin vers un minage de décharge rentable ne réside pas seulement dans une meilleure technologie, mais dans l'adéquation de la bonne technologie à la réalité économique et physique spécifique de chaque site.