Le changement climatique transforme les écosystèmes côtiers avec une rapidité alarmante, menaçant la biodiversité, les moyens de subsistance humains et des milliards de dollars en infrastructures. L'élévation du niveau des mers, l'acidification des océans, le réchauffement des eaux et l'intensification des tempêtes modifient déjà l'équilibre délicat des mangroves, des marais salants, des récifs coralliens et des estuaires. Les approches traditionnelles de modélisation, tout en étant précieuses, peinent souvent à saisir les interactions complexes et non linéaires qui définissent ces systèmes.

Comprendre l'apprentissage automatique en sciences du climat

Dans le domaine des sciences du climat, les techniques de ML telles que les réseaux neuronaux, les forêts aléatoires, les machines vectorielles de soutien et le dynamisme des gradients sont appliquées aux observations historiques et en temps réel pour prévoir des phénomènes tels que l'élévation du niveau de la mer, la migration des espèces et les taux d'érosion. Ces modèles excellents pour gérer des données à haute dimension (p. ex. température, salinité, chlorophylle et hauteur des vagues à travers de multiples échelles spatiales et temporelles) et peuvent découvrir des relations non linéaires que les modèles basés sur la physique peuvent manquer.

L'avantage clé de ML réside dans sa capacité d'adaptation.À mesure que de nouveaux flux de données deviennent disponibles – à partir de plateformes de télédétection comme NASA=s OLCI ou NOAA Coral Reef Watch[ – les algorithmes deML peuvent être reformés pour améliorer leur puissance prédictive.

Applications de l'apprentissage automatique dans la prévision des écosystèmes côtiers

Modélisation de l'élévation du niveau de la mer

Les modèles de LM formés sur les relevés des marégraphes, l'altimétrie des satellites et les projections de fonte des nappes glaciaires peuvent générer des projections localisées qui tiennent compte de la subsidence des terres et des courants océaniques. Par exemple, La régression du processus gaussien et des réseaux de mémoire à court terme ont été utilisés pour prédire les anomalies mensuelles du niveau de la mer le long de la côte est des États-Unis avec une compétence remarquable.

Cartographie de l'habitat et détection des changements

Les images satellitaires, en particulier celles provenant de programmes comme Landsat et Sentinel-2, fournissent une source riche de données spectrales et temporelles pour la cartographie des habitats côtiers.Les réseaux neuronaux convolutionnels (RNC) classent automatiquement les types de végétation (p. ex. mangroves, marais salés, herbiers marins) et détectent les changements dus à l'érosion, aux dommages causés par les tempêtes ou à l'activité humaine.

Répartition des espèces Prévisions

Les modèles de répartition des espèces (SDM) améliorés avec la LM peuvent prévoir les aires de répartition futures en intégrant les couches environnementales (température, salinité, oxygène, lumière) aux relevés d'occurrence. La forêt de random[ et MaxEnt sont couramment utilisés pour projeter des habitats convenables pour les coraux, les poissons et les mollusques dans divers scénarios d'émissions.Ces prévisions éclairent la conception des aires marines protégées (ZPM) et aident les gestionnaires des pêches à prévoir les changements dans la disponibilité des stocks.

Évaluation des dommages et restauration Priorité

Les algorithmes de LM formés sur les images optiques ou radars pré- et post-événement peuvent rapidement quantifier les dommages aux mangroves, aux dunes et aux récifs coralliens – souvent dans les heures suivant le passage par satellite. Par exemple, Les architectures U-Net[ ont été appliquées aux données SAR de Sentinel-1 pour cartographier les zones humides côtières inondées et estimer la perte de couverture végétale.

Sources de données et défis liés à l'intégration

Le succès des modèles de ML dépend de la qualité, de la quantité et de la diversité des données de formation.

  • Sommet de télédétection: optique (Landsat, MODIS, Sentinel-2), thermique (AVHRR) et radar (Sentinel-1, ALOS-2) couvrent les côtes du monde entier.
  • Les capteurs in situ: Les bouées, les marégraphes, les véhicules sous-marins autonomes (AUV) et les plates-formes de science citoyenne (p. ex., iNaturalist) fournissent des mesures de la vérité au sol.
  • Les modèles de circulation générale (MCG) et les produits régionaux à échelle réduite fournissent des conditions limites (p. ex., température, précipitations, vent).
  • Documents historiques :[ Les cartes de marée numérisées, les registres des prises de pêche et les photographies aériennes étendent la gamme temporelle des données d'entraînement.

Malgré ces richesses, des défis importants subsistent.Il existe des lacunes dans de nombreuses régions du Sud mondial, où les écosystèmes côtiers sont les plus vulnérables.Les temps de révision par satellite peuvent manquer les événements éphémères (p. ex., proliférations d'algues, ondes de tempête).

Avantages et défis

Avantages des prévisions améliorées par le ML

  • Acquiescement: Les modèles ML surpassent souvent la régression linéaire ou logistique, surtout lorsque les interactions sont complexes.
  • Speed: Une fois formés, les modèles peuvent faire des prédictions sur de nouvelles données en quelques secondes, permettant des systèmes d'alerte rapide en temps réel.
  • Évoluabilité:[ Les modèles formés dans une région peuvent être transférés (avec réglage fin) à d'autres régions, réduisant ainsi le besoin de ensembles de données locales massives.
  • Quantification d'incertitude:[ Les méthodes de LM probabilistes (p. ex., les réseaux neuronaux bayésiens) fournissent des intervalles de confiance, aidant les décideurs à peser les risques.

Défis à surmonter

  • Qualité des données et biais:[ Si les données de formation sont biaisées vers certaines régions ou saisons, les prévisions peuvent être peu fiables ailleurs.
  • Interprétabilité:[ De nombreux modèles à haut rendement (p. ex., réseaux neuronaux profonds) fonctionnent comme des boîtes noires, ce qui rend difficile de comprendre pourquoi une prédiction particulière a été faite.
  • Collaboration interdisciplinaire : Les climatologues, les écologistes, les informaticiens et les décideurs doivent travailler ensemble pour bien encadrer les questions et s'assurer que les résultats sont réalisables.
  • Modèle dérivant:[ Au fur et à mesure que le climat continue de changer, les modèles formés sur les données historiques peuvent devenir moins précis, ce qui exige un recyclage et une validation continus.

Perspectives d'avenir et tendances émergentes

La prochaine décennie sera marquée par des progrès rapides dans la LM appliquée à la résilience climatique côtière. L'apprentissage fédéré[ pourrait permettre aux institutions des régions pauvres en données de bénéficier de modèles formés sur des ensembles de données mondiales sans partager de données locales sensibles. Les modèles hybrides[ qui combinent des équations basées sur la physique avec des composantes de LM (appelés réseaux neuronaux informés de la physique) promettent d'améliorer les prévisions à long terme en ancrer les résultats de la LM dans les lois fondamentales.

Sur le plan politique, des efforts sont en cours pour intégrer les prévisions fondées sur la LM dans les cadres de gestion adaptative. Par exemple, l'Initiative de résilience du système de satellites[ de l'UICN et ses partenaires utilisent déjà les résultats de la LM pour classer les mesures de conservation.

Conclusion

L'apprentissage automatique n'est pas une panacée pour la crise climatique, mais c'est un outil de plus en plus indispensable pour comprendre et prédire comment les écosystèmes côtiers réagiront à une planète en évolution.De la cartographie des habitats à la modélisation de l'élévation du niveau de la mer, de la prévision des déplacements des espèces à l'évaluation des dommages causés par les tempêtes, ML offre la vitesse et la nuance que les méthodes traditionnelles ne peuvent pas correspondre.