Les canicules qui ont touché l’Europe et la Suisse en particulier ont péjoré l’état de nos forêts. Le Conseil fédéral débloque d’ailleurs 17,5 millions de francs supplémentaires pour les protéger. La recherche en informatique est aussi partie prenante de la lutte contre le changement climatique, notamment grâce au projet financé par le FNS Spark. Dans ce projet, le Prof. Dr Grégory Mermoud et sa post-doctorante, la Dre Glory Mary Givi développent de nouveaux modèles de la physiologie des arbres et de leur mortalité due aux conditions climatiques changeantes. Des premiers résultats ont été publiés dans la revue internationale Ecological Informatics afin d’éclairer la communauté sur l’apport de l’intelligence artificielle dans la gestion de nos forêts, apport essentiel pour un canton alpin comme le Valais.
Les arbres d’Europe sous surveillance
Ce projet exploite les données de l’ICP, programme coopératif international sur l’évaluation et la surveillance des effets de la pollution atmosphérique sur les forêts, données utilisées par les spécialistes des forêts, notamment du WSL ˗ institut fédéral de recherche sur la forêt, la neige et le paysage. Mais comment obtient-on des données fiables ? En équipant les forêts européennes et suisses de capteurs ou en effectuant des relevés manuels et des analyses en laboratoire pour examiner les sols et les nutriments déposés par les pluies. De plus, le diamètre de chaque arbre intégré à l’étude est mesuré et sa défoliation est analysée, donnant de précieuses indications sur l’état de santé des spécimens. Cette base de données exceptionnelles qui court sur plusieurs décennies, permet de comprendre comment réagissent les arbres aux maladies ou au changement climatique impliquant des phénomènes météorologiques extrêmes.
Traduire la forêt en algorithme
Les spécialistes des forêts utilisent des modèles dits conceptuels qui appréhendent la manière dont les forêts devraient croître. Ces modèles sont réalisés à la main et c’est ici que l’expertise de l’institut informatique de la HES-SO Valais-Wallis entre en jeu. Proposer un algorithme d’apprentissage profond (machine learning) pour prédire la croissance des forêts permet de valoriser l’ensemble des données extraordinaires récoltées par les chercheurs et chercheuses. Cet algorithme, loin d’être une boîte noire, se doit d’être explicable afin que les spécialistes des forêts puissent commenter ses résultats et l’améliorer constamment. Comprendre ce fonctionnement leur donne aussi l’opportunité de proposer de nouvelles hypothèses testées par l’algorithme. « Ce travail interdisciplinaire a représenté un véritable défi ! », nous confie Grégory. Comprendre le travail des spécialistes et interpréter pour eux les résultats algorithmiques et, inversement, faire en sorte d’être compris par des biologistes ou des chimistes s’est avéré complexe.
Une IA hybride pour des résultats proches du terrain
L’apprentissage profond fondé uniquement sur les données ne permet pas d’obtenir des résultats probants ; c’est précisément ce que l’article scientifique copublié récemment par le SIMLab met en exergue. En effet, les données permettent de repérer les corrélations, soit les liens statistiques, mais ne peut pas établir seul les relations de causes à effets. Afin de pallier ce problème, le laboratoire utilise un modèle algorithmique hybride incluant les données collectées par l’ICP, ainsi que des modèles conceptuels. C’est notamment grâce à une collaboration étroite avec le Prof. Dr. Arthur Gessler, spécialiste de l’écologie des forêts et des sols au WSL que ce projet financé par le FNS a pu mettre en œuvre le modèle algorithmique conceptuel qui traduit la forêt en algorithme.
Les arbres, comme les humains, apprennent
Cette collaboration internationale a pour but de comprendre comment maintenir les forêts en bonne santé le plus longtemps possible. L’épigénétique explique la manière dont certains traits peuvent être acquis d’une génération à l’autre. Les humains, comme les arbres, apprennent au fil des ans. Ainsi, lorsqu’un arbre subit une contrainte (chaleur, humidité, maladie), soit il apprend et devient plus fort, soit il est durablement endommagé et s’affaiblit. Cela est très difficile à modéliser, car ce processus se déroule sur le temps long. Toutefois, l’objectif du projet est d’intégrer cette mémoire longue au modèle algorithmique. La modélisation des forêts donne l’opportunité non seulement aux scientifiques de mieux comprendre le fonctionnement complexe des forêts, mais aussi aux gestionnaires de forêts de savoir s’il est judicieux de prélever du bois dans une zone plutôt qu’une autre, par exemple.
Quand les forêts souffrent, l’humain souffre aussi
Étudier des forêts de toute l’Europe permet de voir clairement les effets délétères du changement climatique sur cet écosystème complexe et indispensable. Les forêts sont utiles pour conserver la biodiversité nécessaire à la pollinisation, mais sont également là pour absorber le CO2, filtrer et stocker de l’eau douce pour les nappes phréatiques, conserver des cycles de pluie stable, éviter les glissements de terrain, les chutes de pierres et les avalanches ou encore jouer leur rôle de climatiseur naturel pour la planète. Ce projet scientifique permet aussi de réfléchir à des questions qui paraissent simples, mais qui recèlent de nombreuses ramifications :
- Quand et comment intervenir dans les forêts, et quand les laisser évoluer librement ?
- Quelles espèces devraient être plantées pour des forêts résilientes ?
La résilience est un objectif essentiel des recherches du SIMLab. En effet, le modèle développé pour analyser les forêts est actuellement expérimenté dans le domaine de l’hydrologie et de la prévision des nappes phréatiques. L’inter et la transdisciplinarité permettent à l’informatique de modéliser des environnements complexes, de traiter de très grands volumes de données et de proposer des solutions appliquées, explicables et transférables qui peuvent contribuer à améliorer la protection des forêts.
Source : Article HES-SO Valais-Wallis
