« L'Arctique se réchauffe quatre fois plus vite que le reste du globe, et le pergélisol est une composante de l'Arctique qui évolue très rapidement », a déclaré Evan Thaler, chercheur postdoctoral Chick Keller au Laboratoire national de Los Alamos. Thaler est l'auteur correspondant d'un article publié dans la revue Sciences de la Terre et de l'espace sur une application innovante de l’IA aux données sur le pergélisol.

« Les modèles actuels n'offrent pas la résolution nécessaire pour comprendre comment le dégel du pergélisol modifie l'environnement et affecte les infrastructures », a déclaré Thaler. « Notre modèle crée des cartes haute résolution nous indiquant où se trouve actuellement le pergélisol et où il est susceptible de changer à l'avenir. »

Les modèles d’IA identifient également les caractéristiques paysagères et écologiques qui déterminent les prévisions, telles que la verdure végétale, l’angle de pente du paysage et la durée de la couverture neigeuse.

IA versus données de terrain

Thaler faisait partie d'une équipe avec ses collègues chercheurs de Los Alamos, Joel Rowland, Jon Schwenk et Katrina Bennett, ainsi que des collaborateurs du Lawrence Berkeley National Laboratory, qui utilisaient une forme d'IA appelée apprentissage automatique supervisé. Les travaux ont testé l'exactitude de trois approches différentes d'IA par rapport aux données de terrain collectées par les chercheurs de Los Alamos dans trois bassins versants à pergélisol inégal sur la péninsule de Seward en Alaska.

Le pergélisol, ou sol qui reste en dessous de la température de congélation pendant deux ans ou plus, couvre environ un sixième des terres exposées de l'hémisphère nord, a déclaré Thaler. Le dégel du pergélisol perturbe déjà les routes, les oléoducs et autres installations construites dessus et entraîne également toute une série de risques environnementaux.

À mesure que la température de l’air se réchauffe en raison du changement climatique, le dégel du sol libère de l’eau. Il s'écoule vers les terrains plus bas, les rivières, les lacs et l'océan, provoquant un affaissement de la surface terrestre, transportant des minéraux, modifiant la direction des eaux souterraines, modifiant la chimie du sol et libérant du carbone dans l'atmosphère.

Résultats utiles

La résolution du modèle panarctique actuel le plus largement utilisé pour le pergélisol est d’environ un tiers de mille carré, ce qui est beaucoup trop grossier pour prédire comment l’évolution du pergélisol endommagera une route ou un pipeline, par exemple. Le nouveau modèle d'IA de Los Alamos détermine la couverture de pergélisol en surface avec une résolution d'un peu moins de 100 pieds carrés, ce qui est plus petit qu'un espace de stationnement typique et beaucoup plus pratique pour évaluer les risques à un endroit spécifique.

À l’aide de leur modèle d’IA formé sur les données de trois sites de la péninsule de Seward, l’équipe a généré une carte montrant de vastes zones sans pergélisol autour des sites de Seward, correspondant aux données de terrain avec une précision de 83 %. En utilisant le modèle panarctique à des fins de comparaison, l’équipe a généré une carte des mêmes sites avec une précision de seulement 50 %.

« Il s'agit du produit panarctique le plus précis à ce jour, mais il n'est évidemment pas suffisant pour les prévisions spécifiques à un site », a déclaré Thaler. « Le produit panarctique prédit que 100 % de ce site sera constitué de pergélisol, mais notre modèle n'en prédit que 68 %, ce qui, nous le savons, est plus proche du pourcentage réel basé sur les données de terrain. »

Nourrir les modèles d’IA

Cette première étude a prouvé le concept du modèle de Los Alamos sur les données Seward, offrant une précision acceptable pour un terrain similaire à l'emplacement où les données de terrain ont été collectées. Pour mesurer la transférabilité de chaque modèle, l'équipe l'a également formé sur les données d'un site, puis a exécuté le modèle en utilisant les données d'un deuxième site avec un terrain différent sur lequel le modèle n'avait pas été formé. Aucun des modèles n'a bien été transféré en créant une carte correspondant aux découvertes réelles sur le deuxième site.

Thaler a déclaré que l'équipe effectuerait des travaux supplémentaires sur les algorithmes d'IA afin d'améliorer la transférabilité du modèle à d'autres régions de l'Arctique. « Nous voulons pouvoir nous entraîner sur un ensemble de données, puis appliquer le modèle à un endroit qu'il n'a jamais vu auparavant. Nous avons juste besoin de plus de données provenant de paysages plus diversifiés pour entraîner les modèles, et nous espérons collecter ces données bientôt. »  » il a dit.

Une partie de l'étude consistait à comparer la précision de trois approches différentes d'IA – des arbres extrêmement randomisés, des machines à vecteurs de support et un réseau neuronal artificiel – pour voir quel modèle se rapprochait le plus des données de « vérité terrain » recueillies lors d'observations sur le terrain à Seward. Péninsule. Une partie de ces données a été utilisée pour entraîner les modèles d’IA. Chaque modèle a ensuite généré une carte basée sur des données inédites prédisant l’étendue du pergélisol proche de la surface.

Alors que la recherche de Los Alamos a démontré une nette amélioration par rapport au meilleur modèle panarctique – et largement utilisé –, les résultats des trois modèles d’IA de l’équipe ont été mitigés, les machines à vecteurs de support étant les plus prometteuses en matière de transférabilité.