Des scientifiques ont créé un modèle d’IA qui prévoit un stress thermique modéré un précurseur majeur du blanchiment des coraux sur des sites le long du récif corallien de Floride jusqu’à six semaines à l’avance, avec des prédictions généralement précises à une semaine près.
L’étude présente un cadre d’apprentissage automatique explicable et spécifique à chaque site pour soutenir les scientifiques des coraux et les praticiens de la restauration dans la gestion locale des récifs et la planification des interventions d’urgence.
« Ce modèle donne aux scientifiques des coraux et aux gestionnaires de ressources un préavis sur la probabilité d’un stress thermique au cours d’une saison — et, plus important encore, la semaine où il est le plus susceptible de commencer », a déclaré l’auteure principale Marybeth Arcodia de la Rosenstiel School of Marine, Atmospheric, and Earth Science de l’Université de Miami. Arcodia occupe un double poste au sein du Department of Atmospheric Sciences et du Frost Institute for Data Science and Computing. « Grâce à l’IA explicable, nous pouvons également identifier les facteurs environnementaux qui sous-tendent ces prédictions sur chaque site récifal. »
« Notre modèle identifie les facteurs potentiels qui influencent le stress thermique sur un site récifal donné », a expliqué Richard Karp, co-auteur et chercheur postdoctoral au Cooperative Institute for Marine and Atmospheric Studies de la Rosenstiel School, « cette information donne aux gestionnaires l’opportunité d’identifier les points de déclenchement dans les plans d’action d’urgence, ce qui peut soutenir la planification et les décisions de réponse. »
L’équipe de recherche a combiné les sciences de l’atmosphère, l’écologie des coraux et la science des données pour construire un outil de prédiction adapté au récif corallien de Floride.
Prédictions d’IA localisées sur des échelles de temps actionnables
En utilisant un modèle d’apprentissage automatique XGBoost, l’équipe a prévu l’apparition d’un stress thermique modéré sur les coraux à trois sites récifaux en utilisant des données environnementales de 1985 à 2024. Les entrées comprenaient des mesures de stress thermique accumulé et instantané, des anomalies de température de surface de la mer, la température de l’air, les vents, le rayonnement solaire et des indicateurs des conditions du courant de la Boucle et d’El Niño, s’appuyant sur NOAA Coral Reef Watch et d’autres ensembles de données publics.
« Notre système de prédiction a produit des prévisions habiles jusqu’à six semaines à l’avance, et dans la plupart des cas, il était précis à environ une semaine près du moment où le stress thermique a réellement commencé », a souligné Karp. « Il a également surpassé deux approches de référence — un modèle de régression logistique multiple et une méthode basée sur la fréquence à la fois pour prédire si un stress thermique se produirait et pour identifier quand il commencerait. »
Les chercheurs ont également appliqué des techniques d’IA explicable utilisant SHAP une méthode qui montre quels facteurs environnementaux influencent le plus chaque prédiction — pour comprendre comment les facteurs du stress thermique diffèrent selon le site récifal et le délai de prévision.
La température de l’air en surface s’est classée de manière constante parmi les prédicteurs les plus importants, tandis que d’autres facteurs environnementaux clés variaient selon le site et le délai de prévision, soulignant la valeur de la prédiction localisée.
« Ces informations sont fournies sur des échelles de temps où des actions de gestion sont encore possibles », a ajouté Karp. « Elles aident à prioriser la surveillance, informent sur le moment pour initier des actions d’urgence et guident sur l’endroit où les ressources sont ciblées le plus efficacement. »
Prévisions actionnables pour soutenir la conservation proactive des récifs
Les récifs de Floride et des Caraïbes subissent des événements de stress thermique et de blanchiment de plus en plus fréquents et sévères — y compris la vague de chaleur marine record de 2023 — ce qui accroît le besoin d’outils d’alerte précoce au niveau des sites.
Les auteurs soulignent que le nouveau cadre d’IA vise à compléter et non à remplacer les systèmes opérationnels existants tels que NOAA Coral Reef Watch, en ajoutant un signal de synchronisation localisé, saison par saison, pour le début du stress thermique.
Les auteurs incluent Marybeth C. Arcodia de la Rosenstiel School of Marine, Atmospheric, and Earth Science de l’Université de Miami et du Frost Institute for Data Science de l’Université de Miami, Richard Karp, du Cooperative Institute for Marine and Atmospheric Studies de la Rosenstiel School, et Elizabeth A. Barnes du Department of Atmospheric Science de l’Université du Colorado.
Article : An explainable machine learning prediction system for early warning of heat stress on Florida’s Coral Reef – Journal : Environmental Research Communications – Méthode : Computational simulation/modeling – DOI : Lien vers l’étude
