Détection, prévision et interprétabilité des sécheresses extrêmes à laide de lintelligence artificielle

Les sécheresses extrêmes constituent un enjeu majeur dans un contexte de réchauffement climatique, affectant lagriculture, les ressources en eau, la production énergétique et les écosystèmes. Leur caractère multi-échelle, dépendant des interactions entre précipitations, évapotranspiration, humidité du sol et stockage souterrain, rend leur détection et leur prévision complexes. Les indices traditionnels (SPI, SPEI, SSI) apportent une évaluation utile, mais ils peinent à représenter la dynamique complète du système hydrologique, en particulier dans les régions à disponibilité limitée de données.

Les avancées en télédétection améliorent la surveillance, mais nécessitent des méthodes capables dintégrer des données hétérogènes. Lintelligence artificielle (IA) offre ici un potentiel important. Des modèles tels que Random Forest ou LSTM ont montré de bonnes performances de prévision, mais leur manque dinterprétabilité limite leur utilisation opérationnelle.

Lintégration dIA explicable, notamment via des approches comme SHAP, permet de lier les prédictions aux processus physiques. Couplée aux projections climatiques CMIP6 (scénarios SSP), elle offre la possibilité danticiper lévolution future des sécheresses, en identifiant les facteurs critiques, tels que laugmentation de lévapotranspiration. Lobjectif est de développer un cadre intégré pour améliorer la gestion et la résilience des territoires face aux sécheresses.

Faculty Supervisor:

Salah-Eddine El Adlouni

Student:

Partner:

Al Akhawayn University

Discipline:

Mathematics

Sector:

Water; Artificial Intelligence; Environmental Science and Technology

University:

Université de Moncton

Program: