Hydrogéologue au BRGM, Augustin Thomas développe des traitements de données et des modèles qui associent l'intelligence artificielle. Il explique comment ces nouveaux outils ouvrent la voie à des services toujours plus performants pour prédire l'évolution des nappes souterraines et soutenir la gestion durable des ressources en eau.
Extrait de l’interview d'Augustin Thomas, à retrouver en intégralité dans le BRGM mag n°3 : "Faire face aux sécheresses".
Comment l'intelligence artificielle transforme-t-elle le travail du BRGM sur les eaux souterraines ?
Augustin Thomas : Nous développons des applications de deep learning afin d'améliorer la prévision des niveaux des nappes souterraines, pour une meilleure anticipation des situations de tension sur la ressource en eau, notamment lors des épisodes de sécheresse. Les outils d'intelligence artificielle (IA) présentent plusieurs avantages, en particulier la capacité à traiter de gros volumes de données, plus rapidement. L'intégration automatique de données à large échelle doit ainsi faciliter la généralisation des modèles d'un territoire à l'autre. Dans le projet Hydrolink par exemple, I'IA permet d'automatiser le traitement des données fournies par le millier de points de mesure piézométriques suivis sur le bassin de la Seine. Dans cette étude comme dans d'autres, les modèles IA viennent compléter les approches traditionnelles, qui reposent sur des modèles numériques fonctionnant à partir d'équations physiques.
L'intelligence artificielle offre des leviers prometteurs pour améliorer les prévisions et éclairer les décisions face au changement climatique.
Carte des 26 000 piézomètres en Europe. Contrairement aux points noirs, les ronds bleus figurent ceux, au nombre de 2 863, qui transmettent leurs données en temps réel. Le recours au deep learning permettra de modéliser les évolutions saisonnières de leurs niveaux, dans le cadre du projet européen GSEU.
© BRGM
Comment l'IA peut-elle soutenir la gestion durable des ressources en eau sur un territoire ?
A. T. : Les objectifs de nos travaux sont toujours de comprendre le fonctionnement des hydrosystèmes, anticiper les évolutions possibles et diffuser cette connaissance aux gestionnaires afin de favoriser la préservation des ressources. L'IA peut nous aider à chaque étape. Par exemple pour localiser et dater des prélèvements d'eau destinés à l'alimentation en eau potable ou à l'irrigation - des données peu accessibles et/ou imprécises, comme le sont souvent les données géoscientifiques - et ainsi mieux comprendre et surtout distinguer les contributions climatiques et anthropiques à l'évolution des niveaux des nappes. En intégrant les données à grande échelle, l'IA facilitera le déploiement d'outils d'aide à la décision de manière plus large.
A noter par ailleurs que si les IA génératives (grands modèles de langage) consomment beaucoup d'eau (pour refroidir les fermes de serveurs qui leur permettent de tourner en permanence), les IA scientifiques utilisées par le BRGM sont sans commune mesure : elles travaillent "en local", sur les ordinateurs de l’établissement, et avec des temps de calcul largement inférieurs à ceux des IA génératives, même si les données traitées peuvent être massives. Ce sont des IA spécialisées et légères, des IA "frugales".
Quels nouveaux services pourront être proposés demain ?
A. T. : Nos travaux débouchent déjà sur des applications concrètes. Dans le cadre du projet GSEU (Geological Survey for Europe), le BRGM participe à la création d'une base de données et de modèles de deep learning regroupant les mesures piézométriques de plusieurs pays européens et des prévisions saisonnières à trois mois pour chacun d'eux. Ce service, actuellement en test, sera déployé dès 2027.
Au niveau national, l'objectif est notamment d'enrichir la plateforme MétéEAU Nappes du BRGM, qui repose aujourd'hui sur des modèles physiques principalement, en y intégrant progressivement des modèles IA. L'idée est de pouvoir en déployer un grand nombre pour un coût moindre, l'apprentissage automatique pouvant se faire à l'échelle de la France plutôt que point par point comme avec les modèles physiques. La fiabilité reste, certes, un enjeu mais ces outils IA sont des leviers prometteurs pour améliorer les prévisions et éclairer les décisions.