PREMIÈRE PARTIE
LES AVANCÉES MAJEURES
PROMISES PAR L'IA DANS LA MOBILISATION DES DONNÉES
ENVIRONNEMENTALES AU SERVICE DE LA TRANSITION ÉCOLOGIQUE
L'IA constitue un puissant outil d'aide à la décision dans le domaine de l'environnement, où elle offre des perspectives de progrès très prometteuses. Les avancées permises sont principalement de trois ordres :
- une meilleure connaissance de l'environnement, pour une prise de décision plus éclairée ;
- une amélioration de la capacité de simulation et de prévision, pour anticiper et s'adapter aux enjeux, en particulier dans les situations de crise ;
- un renforcement des processus de décarbonation et d'optimisation énergétique dans des secteurs variés.
L'attention portée à l'IA frugale permet par ailleurs de concilier innovation et durabilité environnementale dans le cadre d'un numérique plus responsable.
I. L'IA POUR CONNAÎTRE L'ENVIRONNEMENT, SIMULER ET PRÉDIRE
L'IA permet de mieux connaître, comprendre ou anticiper des situations ou phénomènes qui relevaient jusqu'alors de la résolution numérique d'équations physiques.
A. LA CONNAISSANCE DE L'ENVIRONNEMENT
La contribution des techniques d'IA à la connaissance de notre environnement ou de certaines de ses composantes fait partie de ses apports les plus importants. Cela concerne en particulier les sols et la biodiversité sur terre comme en mer.
1. La quantification et la qualification des sols
La nécessité de disposer de données précises et fiables sur l'usage des sols et leur qualité constitue un enjeu de taille pour le suivi de leur occupation et l'atteinte du « zéro artificialisation nette » (ZAN) à l'horizon 205015(*). Il s'agit d'accompagner les choix de renaturation des sols en fonction de leurs propriétés.
Dans cet objectif, l'automatisation permise par l'IA a apporté une contribution décisive à la production d'une nouvelle génération du référentiel national d'occupation des sols (l'OCS GE16(*)), qui a vocation à être utilisé à différents échelons territoriaux pour la mise en oeuvre des politiques publiques d'aménagement et d'urbanisme.
Produit par l'IGN17(*) à partir principalement des prises de vue aériennes du territoire mises à jour tous les trois ans, puis valorisé par le Cerema18(*), il constitue une base de données vectorielle de référence pour la description de l'occupation et de l'usage du sol de l'ensemble de la France hexagonale et ultramarine (DROM).
L'optimisation de la chaîne de production passe par la recherche d'une automatisation la plus complète possible. Le recours à des techniques d'IA de type « deep learning », associé à l'utilisation d'une infrastructure dotée de capacités de calcul importantes et d'un vaste espace de stockage, permet de répondre à cet objectif.
À l'issue d'une phase d'annotations et d'entraînement, l'analyse des images fait intervenir des réseaux de neurones profonds et le recours à l'IA permet de structurer des données non structurées.
L'IA peut également contribuer à améliorer la qualité des images en faisant de la « super résolution » : lorsque les pixels sont trop gros, des méthodes d'IA sont mises en oeuvre pour retrouver de la résolution, en combinant plusieurs images ou en utilisant des exemples pour essayer de prédire ce que serait une image mieux résolue dans un domaine particulier.
Le processus de production de l'OCS GE dans le cadre de l'observatoire de l'artificialisation
Source : IGN, CNIG commission « besoins et usages » (juin 2022)
L'utilisation de l'IA dans la nouvelle chaîne de production de l'OCS GE a d'abord été expérimentée dans le cadre d'un prototype réalisé sur le territoire du SCOT du bassin d'Arcachon, puis le département pilote du Gers. Cette expérimentation est achevée depuis septembre 2022. Le déploiement national et la production industrielle sont désormais en cours, l'intégralité de la France devant être couverte en 2025.
Dans ce cas d'espèce, le recours à l'IA permet à la fois une réduction importante des coûts19(*), en réduisant la part humaine dans l'interprétation des photos, et une diminution des délais de production, avec un rythme de couverture d'un tiers de la France par an en régime de croisière.
Par comparaison, la première génération de l'OSC GE, produite selon des méthodes traditionnelles, couvre seulement 40 % du territoire national.
« L'IA nous a permis, en gros, de le faire trois fois plus vite pour trois fois moins cher. »
Sébastien Soriano, directeur général de l'IGN, à propos de la cartographie de l'occupation des sols
L'IA permet ainsi d'affiner sensiblement notre connaissance du sol sur lequel viennent s'exercer de multiples pressions (urbanisation, intensification des pratiques agricoles, surexploitation, pollution, changement climatique, etc.).
2. La connaissance et la protection de la biodiversité et des écosystèmes
La connaissance de la biodiversité et des écosystèmes bénéficie également des progrès permis par l'IA.
· Pour la flore terrestre, l'outil participatif Pl@ntNet développé par une équipe de l'Inria20(*) permet à chacun d'identifier plantes et arbres, de détecter des maladies et de recenser les zones de présence à travers des inventaires. Accessible sur une application mobile, il utilise massivement des techniques avancées d'IA. Les observations les plus fiables sont désormais incluses dans la base de données internationales du système mondial d'information sur la biodiversité (« Global Biodiversity Information Facility » ou GBIF). Il s'agit d'un réseau international fournissant un accès libre aux données sur les formes de vie terrestre pour inviter à mieux les protéger.
L'Inria indique que sa nouvelle version (GeoPl@ntNet) permettra d'obtenir l'établissement de cartes de biodiversité, par exemple dans les zones faisant l'objet de projets d'aménagement, avec un rôle potentiel d'appui aux politiques publiques comme en matière de ZAN.
· Les techniques d'IA apportent également une contribution essentielle à la connaissance de la biodiversité marine, en particulier celle des espaces côtiers et dans les écosystèmes qui restent encore peu explorés comme ceux des grands fonds.
§ Mieux prédire la biodiversité des poissons récifaux
S'agissant des systèmes récifaux, il manque aujourd'hui un ensemble d'indicateurs écologiques et des modèles prédictifs pertinents pour connaître leur dynamique et mieux anticiper leurs évolutions. Cette insuffisance est liée au coût élevé des dispositifs de suivi dans ce domaine. L'amélioration de la connaissance requiert un haut niveau d'expertise mais aussi des modèles capables d'assurer un suivi plus global là où les connaissances existantes sont relativement circonscrites géographiquement et temporellement.
Dans ce contexte, l'IA et ses modèles d'apprentissage profond constituent un précieux atout du fait de leur capacité à analyser finement des données brutes non structurées telles que des images satellitaires, des vidéos sous-marines ou encore des données environnementales spatialisées (température de l'eau, profondeur des fonds marins...).
Ces techniques permettent d'envisager la définition d'une nouvelle génération d'indicateurs et de modèles à partir de données massives peu exploitables avec des approches classiques.
C'est l'objectif poursuivi par le projet FISH-PREDICT coordonné par l'Université de Montpellier21(*). Il consiste à analyser un volume très important de données afin de caractériser des écosystèmes côtiers de la mer Méditerranée et de l'océan Pacifique grâce à des modèles de distribution d'espèces d'un nouveau type. La technique s'appuie sur des modèles d'apprentissage profond tels que les réseaux neuronaux convolutifs ou des « vision transformers »22(*).
Elle permettra d'affiner la connaissance des paramètres environnementaux dans toutes leurs variations spatiales et de mieux expliquer la distribution des espèces. Des interactions complexes comme l'influence des bateaux de plaisance sur les ressources pélagiques ou l'impact de l'aménagement de la côte sur la biodiversité marine pourront également être analysés.
Source : https://dataanalyticspost.com/projet-fish-predict/
§ Répertorier la micro-faune des océans
Dans le cadre du projet « Meiodyssea », une équipe de chercheurs de l'Ifremer en collaboration avec d'autres scientifiques japonais, hollandais et allemands, entreprennent de décrire, en l'espace de trois ans, 125 à 200 nouvelles espèces de la « méiofaune », c'est-à-dire des petits organismes de moins d'un millimètre nichés dans les sédiments des cinq océans. Ce projet repose sur une méthode originale combinant les techniques d'imagerie 3D haute résolution et l'IA.
Un logiciel d'IA sera entraîné pour détecter, mesurer et décrire les caractéristiques morphologiques et morphométriques des nouvelles espèces, ce qui leur permettra de gagner en efficacité et en temps dans la structuration des nombreuses informations extraites de l'analyse des échantillons. Selon les chercheurs, grâce à cette méthode originale, les nouvelles espèces présentes dans un échantillon devraient pouvoir être détectées en 15 minutes au lieu de plusieurs semaines.
La description complète devrait prendre quelques jours au lieu de quelques mois23(*).
Le projet permettra plus généralement de mieux comprendre le rôle de ces espèces invisibles à l'oeil nu dans le fonctionnement et la dynamique des écosystèmes marins, certaines espèces, comme certains nématodes, jouant un rôle avéré de « sentinelles », c'est-à-dire d'indicateurs de contamination chimique de l'environnement.
Mieux connaître la méiofaune permettra ainsi de mieux cerner l'impact des activités humaines sur l'océan. En outre, ces espèces dotées d'une capacité hors norme de vivre dans des conditions extrêmes sont susceptibles d'inspirer des développements dans le secteur des biotechnologies.
· Pour l'exploration de l'océan profond et de ses ressources en métaux rares, l'IA pourrait également jouer un rôle transformateur grâce aux progrès des véhicules autonomes (AUV) et des robots télécommandés (ROV) sous-marins.
Équipés de capteurs et de technologies d'imagerie avancées, ces véhicules naviguent de manière autonome dans des milieux complexes. Les algorithmes d'IA permettent de collecter, traiter et analyser en temps réel des données environnementales et biologiques, rendant l'exploration sous-marine à la fois plus sûre et efficace.
L'IA et l'exploration des ressources des grands fonds marins
L'IA excelle dans le traitement des données sonar et d'imagerie pour créer des cartes détaillées des fonds marins et révéler de nouvelles caractéristiques géologiques et des habitats inconnus.
Les algorithmes d'IA identifient les zones écologiquement sensibles, comme les habitats marins vulnérables ou abritant une biodiversité unique24(*), des récifs coralliens profonds ou des zones de reproduction de certaines espèces, ce qui permet par exemple d'orienter les opérations d'exploration des ressources vers des zones moins exposées.
Dans le domaine de l'exploitation minière (deep sea mining), l'IA permet une détection précise des ressources. Les algorithmes analysent les données géologiques et les images des fonds marins pour localiser des dépôts de nodules polymétalliques ou de sources hydrothermales. L'IA peut ainsi fournir des informations que les méthodes traditionnelles ne permettaient pas d'obtenir, accélérant considérablement l'évaluation des ressources25(*). En outre, les robots avancés alimentés par l'IA peuvent automatiser des tâches complexes comme l'excavation ou le transport de matériaux, réduisant la nécessité d'intervention humaine dans des environnements dangereux.
Malgré ces avancées, des défis subsistent, tels que la robustesse des systèmes d'IA dans des conditions extrêmes où la communication et l'alimentation en énergie sont limitées. Les cadres réglementaires peinent par ailleurs à suivre le rythme des avancées technologiques dans un domaine qui demeure écologiquement controversé26(*). Enfin, les coûts initiaux élevés des systèmes d'IA freinent leur adoption à grande échelle.
* 15 Loi n° 2021-1104 du 22 août 2021 portant lutte contre le dérèglement climatique et renforcement de la résilience face à ses effets.
* 16 Occupation du sol à grande échelle.
* 17 Institut national de l'information géographique et forestière.
* 18 Centre d'études et d'expertise sur les risques, l'environnement, la mobilité et l'aménagement.
* 19 Au cours de la phase d'initialisation, la première carte a coûté environ 20 millions d'euros, la mise à jour tous les trois ans représentant un budget de l'ordre de 5 millions d'euros.
* 20 Institut national de recherche en sciences et technologies du numérique.
* 21 Lauréat du challenge « IA-Biodiv » lancé par l'Agence nationale de la recherche (ANR) et l'Agence française de développement (AFD). Le projet a démarré en 2022 pour une durée de quatre ans.
* 22 Types d'algorithme de machine learning utilisés pour analyser des images. Ils se concentrent sur la détection de motifs et de caractéristiques visuelles à différents niveaux d'abstraction grâce à l'empilement de couches dites de convolution ou d'auto-attention.
* 23 Une nouvelle base de données alimentée par l'analyse d'échantillons provenant de 1 437 sites sur le globe a vocation à couvrir tous les milieux marins, de la côte au large, des eaux polaires aux mers tropicales et de quelques centimètres à plus de 6 000 mètres de profondeur. Cette banque de données et d'images haute résolution 3D devrait être librement accessible sur une plateforme virtuelle à compter de 2025. Les taxonomistes du monde entier pourront la consulter sans avoir à se déplacer.
* 24 Le rapport n° 724 du Sénat fait au nom de la mission d'information sur « L'exploration, la protection et l'exploitation des fonds marins : quelle stratégie pour la France ? » (21 juin 2022) souligne que seuls 5 % de la biodiversité de l'océan profond sont connus.
* 25 Soham Nandi, « How Can AI Help in Deep Sea Exploration and Mining ? », AZoAi, 17 juillet 2024 : https://www.azoai.com/article/How-Can-AI-Help-in-Deep-Sea-Exploration-and-Mining.aspx
* 26 Dans ses recommandations, le rapport n° 724 précité appelait de ses voeux la poursuite des travaux de recherche dans ce domaine et le conditionnement de « toute ouverture de l'exploitation minière à un débat parlementaire transparent ayant préalablement associé les collectivités d'outre-mer ainsi qu'à une clarification juridique en introduisant notamment des normes environnementales propres aux grands fonds marins » : https://www.senat.fr/rap/r21-724/r21-7241.pdf