Approche combinée d’inférence causale et d’apprentissage machine pour la modélisation de variables hydro-géophysiques du système karstique de la Lhomme (Rochefort, Belgique)

Pour répondre aux enjeux en matière de gestion des ressources en eaux dans le monde, l’étude de l’hydrologie des systèmes karstiques et en particulier des aquifères karstiques reste encore primordiale. En raison de la structure complexe et de la dynamique non linéaire de ces systèmes, les difficultés à trouver des modèles généralisables et transposables pour plusieurs cas d’études motivent à s’orienter vers de nouvelles approches, non mécanistiques. Les approches liées à l’apprentissage machine, tels que les réseaux de neurones artificiels, sont rapidement applicables à la modélisation d’un cas d’étude ou un autre. Toutefois, ces modèles sont généralement qualifiés de « boites noires » en ce sens qu’il n’est pas possible d’interpréter les mécanismes internes de ces modèles d’un point de vue physique. Pour pallier ce manque, une perspective s’offre à travers les outils d’analyses d’inférence causale. Ceux-ci sont de plus en plus développés dans le but d’étudier des mécanismes environnementaux à large échelle. Pour identifier des relations causales, ces outils se basent sur la fouille de données, à défaut de pouvoir faire des expériences à large échelle. Dans ce mémoire, nous considérons d’allier la réflexion causale par des méthodes linéaires et non linéaires avec la modélisation par des réseaux de neurones artificiels Long Short-Term Memory (LSTM). En particulier nous modélisons, d’un part, un débit de percolation dans les grottes de Rochefort (Belgique) comme une variable traduisant les flux préférentiels vers la grotte, et, d’autre part, un signal gravimétrique résiduel décrivant la dynamique hydrologique plus générale du système karstique de la Lhomme, à Rochefort. Nos résultats laissent suggérer que ces outils sont prometteurs pour l’étude de systèmes hydrologiques complexes tels que les karsts. Un choix de prédicteurs basé sur les résultats d’inférence causale s’avère être généralement plus efficient pour la modélisation LSTM qu’un choix plus large de prédicteurs. Toutefois, une discussion des hypothèses causales suggère de rester prudent quant à la sélection des variables et à l’interprétation des résultats de l’analyse causale, et, conseille de varier les méthodes dans le but de confronter les résultats et d’enrichir la réflexion autour de la dynamique du système. En guise de perspective, il conviendrait de comparer également l’inférence causale aux autres méthodes couramment utilisées pour la sélection de variables dans le domaine de l’apprentissage machine.