Après avoir atteint son niveau le plus bas depuis le début des relevés, en janvier 2013, le lac Michigan a battu un record à l’autre extrême à l’été 2020, provoquant des inondations, l’érosion du littoral et la fermeture de routes riveraines. L’écart entre ces deux records de niveau était de près de 2 m. Selon l’article, des retournements semblables se sont produits à quelques mois d’intervalle sur les lacs Supérieur, Érié et Ontario. Pour prévoir ces fortes variations de niveau et en expliquer les causes, des chercheurs ont eu recours à des modèles d’intelligence artificielle (IA).

Contexte

Le niveau des lacs dépend de la pluie et de la neige, de l’évaporation, des apports et des écoulements, mais aussi des décisions humaines. Il a également des conséquences sur la profondeur des ports, la stabilité du littoral, les prises d’eau potable et la survie des zones humides côtières. Un modèle qui ne se contente pas de prévoir le niveau, mais explique aussi quels facteurs sont à l’origine des changements, pourrait donc être utile pour la gestion des barrages ou des risques d’inondation.

Les chercheurs ont entraîné huit algorithmes à partir des données mensuelles de niveau des lacs Supérieur, Michigan, Érié et Ontario pour la période 1982-2022. Chaque algorithme prenait en entrée neuf variables, dont la température et les apports, et intégrait les valeurs du mois en cours ainsi que celles remontant jusqu’à six mois. Le modèle pouvait ainsi, par exemple, examiner le lien entre le niveau du lac en juin et la neige tombée en janvier.

Les erreurs des quatre algorithmes les plus performants ont été ramenées à environ 12 cm. Celles des modèles simples se situaient entre 14 et 21 cm. Les chercheurs ont combiné la méthode SHAP (qui répartit la contribution de chaque variable au résultat prédit) et l’analyse VARS, qui examine comment l’influence évolue au fil du temps lorsqu’on intervient sur une variable.

SHAP montre dans quelle mesure chaque variable contribue à la hausse ou à la baisse du niveau au cours d’un mois donné. Cette méthode ne permet toutefois pas de savoir combien de temps met un signal à se propager à travers un bassin versant, c’est-à-dire une région où les eaux s’écoulent vers un même point. Dans leur analyse VARS, les chercheurs ont examiné les effets un mois puis six mois après être intervenus sur une variable, afin d’étudier le décalage temporel.

Ce que cela signifie

Les chercheurs s’attendaient à ce que l’influence des variables sur le niveau des lacs s’atténue à mesure qu’ils remontaient dans le temps. Or, ils ont observé qu’elle s’accentuait après 3 à 4 mois. Ils en concluent que ces lacs réagissent aux conditions des saisons précédentes plutôt qu’à la météo de la veille. L’idée que la neige de janvier peut influer sur le niveau du lac en juin montre pourquoi les prévisions saisonnières doivent aussi tenir compte des conditions observées plusieurs mois auparavant.

Ce résultat retient l’attention parce qu’il indique que le niveau des lacs ne s’explique pas uniquement par la météo à court terme. Un modèle de prévision saisonnière pourrait mieux repérer les signes annonciateurs de variations de niveau s’il tenait également compte de variables des mois précédents, comme la température et les apports. Les chiffres d’erreur de cette étude ne permettent toutefois pas de savoir dans quelle mesure ces prévisions seraient utiles dans la pratique, ni dans quelle mesure elles changeraient les résultats de la gestion des inondations ou des barrages.

Le lac Ontario a aussi mis en évidence les limites du modèle. Les erreurs de son modèle étaient supérieures de plus de 50 % aux prévisions, et l’article les relie aux décisions humaines. La centrale hydroélectrique Moses-Saunders, près de Cornwall, en Ontario, gère le niveau du lac en suivant des règles d’exploitation ajustées quotidiennement. Mais, puisque le modèle utilise des moyennes mensuelles pour chaque variable, l’ordre des décisions ayant produit le volume d’écoulement mensuel peut disparaître dans la moyenne.

Pour le lac Ontario, les chercheurs proposent de fournir au modèle les règles d’exploitation utilisées pour gérer le niveau, en plus des variables climatiques. Il s’agit d’une proposition concernant les décisions humaines propres à ce lac, et non d’une raison de conclure que les mêmes conditions sont nécessaires pour toutes les prévisions saisonnières.

Les chercheurs ont déclaré appliquer également cette approche, en collaboration avec Ouranos, à l’étude de la recharge des eaux souterraines dans le sud du Québec. Ce travail fait appel à un modèle fondé sur la physique, qui tient compte des mécanismes physiques des phénomènes naturels. Cette étude montre qu’un modèle permettant d’examiner les raisons de ses résultats peut aider à évaluer et à discuter les décisions de gestion dans des problèmes environnementaux complexes, comme les variations du niveau des lacs.

Faits établis et questions sans réponse

Faits établis

  • Les chercheurs ont entraîné huit algorithmes à partir des données mensuelles de niveau de quatre lacs couvrant la période 1982-2022.
  • Chaque algorithme prenait en compte neuf variables, dont la température et les apports, ainsi que leurs valeurs pour le mois en cours et jusqu’à six mois auparavant.
  • Les erreurs des quatre algorithmes les plus performants étaient d’environ 12 cm, contre 14 à 21 cm pour les modèles simples.
  • Contrairement à leur attente, selon laquelle l’influence des variables devait diminuer à mesure qu’ils remontaient dans le temps, les chercheurs ont observé qu’elle s’accentuait après 3 à 4 mois.
  • Le niveau du lac Ontario est géré selon les règles d’exploitation quotidiennes de la centrale hydroélectrique Moses-Saunders. Les chercheurs ont proposé de fournir ces règles au modèle.

Questions sans réponse

  • Quelle est la liste complète des huit algorithmes et des neuf variables utilisés dans l’étude ?
  • Selon quelle méthode de validation et sur quelle période de prévision la précision du modèle a-t-elle été évaluée ?
  • De combien les erreurs de prévision diminueraient-elles si les règles d’exploitation du lac Ontario étaient intégrées au modèle ?

Points à vérifier

  • Pour évaluer des prévisions de niveau des lacs, il faut tenir compte non seulement des chiffres de précision, mais aussi de la période de prévision et de la méthode de validation. L’article d’origine ne précise pas ces critères.
  • Si des prévisions de l’IA sont utilisées pour les inondations ou l’exploitation des barrages, il est utile de vérifier si les données d’entrée ne comprennent que des moyennes mensuelles du climat et des écoulements, ou si elles intègrent aussi les règles d’exploitation et le processus décisionnel réels.
  • Pour interpréter les prévisions saisonnières du niveau des lacs, on peut vérifier si l’analyse prend en compte non seulement la météo du mois en cours, mais aussi les conditions des mois précédents. Les chercheurs ont conclu que les conditions des saisons antérieures pouvaient influer sur le niveau.