Anticiper les risques de sécheresse : l’intelligence artificielle à la rescousse des collectivités
Collectivités : comment anticiper, avec SAUR, les risques de sécheresse grâce à l'intelligence artificielle.
Grâce aux données collectées par des milliers de capteurs, l’intelligence artificielle est en train de révolutionner nos sociétés et nos industries.
Et parce qu’elle permet d’anticiper les anomalies sur les ouvrages, de faire de la maintenance prédictive et même de prévoir les risques de rupture d’alimentation, elle révolutionne aussi la gestion de l’eau à bien des égards !
Voyons comment la solution EMI, technologie portée par la BU Imageau de la Saur exploite ces technologies pour anticiper les impacts de la sécheresse entre 5 et 90 jours et maîtriser les coûts de maintenance. Une infographie avec les essentiels de la solution EMI est disponible en téléchargement ici.
Le rôle de l’IA dans la gestion de l’eau par EMI
Quelles données ?
Les modèles d’IA disponibles dans l’application EMI exploitent plusieurs types de données publiques :
-
Les données collectées par les piézomètres et limnimètres permettant de surveiller le niveau d’eau des nappes et cours d’eau ;
-
Les données météorologiques issues des stations météo (pluie, température, évaporation, nébulosité).
Mais pour être utilisables par un modèle d’IA, ces données doivent être exhaustives. Imageau exploite donc en priorité les données sur lesquelles il y a un maximum de recul afin d’obtenir des prévisions fiables.
|
Les données des algorithmes d’EMI
|
Un apprentissage quotidien
Ces données exhaustives, Imageau s’en sert pour entraîner ses algorithmes d’apprentissage d’IA.
Mais une fois que l’algorithme a été entraîné une première fois, le travail ne s’arrête pas là. Chaque jour, le modèle est affiné à partir des nouvelles données d’entrée, par un processus qu’on appelle l’inférence
|
Des prédictions vérifiées par validation croisée Nos algorithmes sont entraînés et testés pour vérifier la validité des prédictions sur des périodes du passé. Nous testons l’intégralité de notre jeu de données ! |
Les modèles d’IA utilisés pour les prédictions d’EMI
Les prédictions d’EMI sont basées sur deux modèles d’IA :
- Le Machine Learning, pour les prévisions jusqu’à 20 Jours ;
- Le Deep Learning, de 20 à 90 Jours.
Prévisions jusqu’à 20 jours par Machine Learning
Cette méthode consiste à établir 20 modèles indépendants, chaque modèle correspondant à un jour de prévision. À partir des données d’entrée, il est donc possible d’obtenir des prévisions à J+5, J+10, etc.
Son autre particularité est d’utiliser des prévisions météorologiques en complément des données piézométriques.
Prévisions de 20 à 90 jours par Deep Learning
Pour nos prévisions entre 20 et 90 jours, nous utilisons un algorithme basé sur des séries temporelles. Il s’agit de Prophet, un algorithme développé par Meta.
Contrairement au précédent, cet algorithme de Deep Learning n’utilise pas de prévisions météorologiques.
L’avantage des modèles d’IA sur les modèles physiques
Les modèles physiques basés sur des simulations d’équations physiques sont puissants et précis, mais ils présentent des inconvénients :
- Ils sont coûteux à mettre en place ;
- Ils reposent sur des hypothèses qui doivent être adaptées à chaque situation ;
- Ils sont longs à développer et demandent des temps de calcul conséquents.
Autant d’inconvénients que n’ont pas les modèles d’IA. Bien qu’ils donnent des résultats un peu moins fiables, ces modèles sont utilisables au quotidien (inférence), contrairement aux simulations qu’il n’est pas possible de « faire tourner » aussi souvent en raison des temps de calcul et des coûts.
Au final, les modèles d’IA :
- Sont plus facilement scalables ;
- Présentent une forte réplicabilité ;
- Sont plus économiques.
|
Prévoir les niveaux des nappes à 100% par IA : une spécificité d’Imageau ! Nous sommes les seuls à proposer des modèles de prédiction des niveaux des nappes entièrement basés sur l’IA. |
Imageau désire améliorer ses prévisions saisonnières entre 20 et 90 jours. Pour y arriver, nous avons plusieurs options, qui sont actuellement explorées :
- Continuer d’optimiser notre modèle de Deep Learning ;
- Développer une hybridation avec des modèles physiques ou d’autres modèles d’IA.
|
Une thèse concernant la modélisation du niveau des nappes Imageau travaille actuellement sur ce sujet avec les mines d’ALES, dans le cadre d’une thèse CIFRE. |
Avec l’IA d’EMI, faites des économies et identifiez les problèmes avant qu’ils ne deviennent critiques !
Faire appel à un bureau d’études pour établir une modélisation hydrogéologique est extrêmement coûteux, de l’ordre de plusieurs dizaines de milliers d’euros, pour une prestation ponctuelle.
En comparaison, la modélisation par IA est beaucoup moins coûteuse, de l’ordre de quelques milliers d’euros, mais pour un service annuel !
IA et éthique : un faux problème
L’IA est souvent perçue, à tort, comme une menace, en raison de multiples applications sujettes à polémique, comme l’IA générative. Il existe néanmoins une multitude d’approches de l’IA, dont le seul point commun est l’utilisation d’algorithmes et de méthodes d’apprentissage, mais avec des finalités totalement différentes.
En réalité, l’IA possède aussi une infinité d’applications positives, dans tous les domaines : dépistage des cancers, détection des fake news, protection de la nature, prévisions météorologiques et climatiques et bien entendu anticipation de la sécheresse.
L'IA révolutionne la gestion de l'eau grâce à des modèles prédictifs basés sur des milliers de données collectées par des capteurs. La solution EMI de la BU Imageau de la Saur utilise des algorithmes d'apprentissage pour anticiper les impacts de la sécheresse, réduire les coûts de maintenance et prévoir les niveaux des nappes.
En comparaison avec les modèles physiques, les modèles d'IA sont plus économiques, facilement scalables et offrent une forte réplicabilité. Il est essentiel de souligner que l'IA possède un potentiel immense dans de nombreux domaines, y compris la protection de l'environnement et la prévision des phénomènes climatiques.
