Les algorithmes d’apprentissage machine (ex. réseaux de neurones) sont utilisés depuis plusieurs décennies au Leesu pour des applications en hydrologie ( [1], [2], [3]).
Ce type d’approche est appropriée pour la modélisation de processus hydrologiques basée sur l’acquisition de données de terrain sur le long terme et à fréquence élevée. Plus récemment, les données analytiques complexes acquises en laboratoire (spectrométrie de masse, métagénomique shotgun) requièrent l’utilisation de chaines de traitement appropriées et le développement de nouvelles approches d’apprentissage.

Différentes approches sont utilisées par les chercheurs du Leesu, d’une part pour le traitement et l’analyse de données et de séries temporelles et d’autre part, à l’échelle des hydrosystèmes pour la modélisation prédictive d’évolution de la qualité de l’eau ou de l’évolution de leur fonctionnement hydro-biogéochimique :

• utilisation d’algorithmes ou chaines de traitement existantes
• développement de chaines de traitement avec intégration/adaptation d’algorithmes
• développement de systèmes d’alerte du risque sanitaire dans les cours d’eau urbains
• développement de nouvelles approches de modélisation hybride en lien avec la physique des processus

Utilisation d’algorithmes et chaines de traitement

Les recherches du Leesu utilisent depuis déjà des décennies des algorithmes d’apprentissage machine, des plus simples (régressions linéaires) aux plus complexes (réseaux de neurones).

Un exemple récent concerne la prédiction de paramètres globaux de pollution liés à la matière organique (DCO, DBO, COT) par analyse de fluorescence 3D. Des algorithmes de type régression PLS multiple (utilisant plusieurs composantes de fluorescence), entraînés sur des jeux de données d’eaux de la Seine ou d’eaux usées analysées en laboratoire ou in situ dans le cadre du programme MeSeine Innovation, sur fluorimètre de paillasse ou sur des sondes de mesure in situ (sonde Fluocopée), permettent de prédire le Carbone Organique Dissous et même certaines fractions d’intérêt (Carbone Organique Dissous Biodégradable - CODB) avec une très bonne fiabilité. La mesure de ces paramètres en laboratoire serait beaucoup plus longue (jusqu’à 45 jours pour le CODB) [4].

D’autres types de modèles et chaines de traitement de données intégrant des outils d’apprentissage machine sont utilisés pour diverses applications analytiques, notamment en analyse microbiologique (diversité microbienne, gènes de résistance aux antimicrobiens, ADN environnemental...). Les techniques analytiques de métagénomique shotgun requièrent en effet des outils bioinformatiques avancés intégrant des algorithmes d’apprentissage machine de type deep learning pour la détection de gènes spécifiques ou pour révéler des phénomènes fonctionnels et interactions complexes au sein de génomes environnementaux.

En chimie analytique, le développement des analyses non-ciblées par spectrométrie de masse haute-résolution nécessite des outils d’apprentissage machine pour la quantification des nombreux signaux détectés. Au contraire des analyses ciblées où la quantification est habituellement possible par l’utilisation de gammes de calibration pour une liste de molécules spécifiques connues, la détection non-ciblée de multiples molécules sans a priori ne permet pas une quantification précise. Il est alors possible d’utiliser des modèles récents de prédiction de la concentration basée sur les structures chimiques des molécules détectées (ex. MS2Quant) [5].

Développement de modèles et intégration dans des chaines de traitement

Pour l’identification de molécules détectées par analyse non-ciblée, il est également nécessaire de disposer de plusieurs paramètres analytiques connus précisément pour chaque molécule (masse exacte, spectres de fragmentation, temps de rétention chromatographique, temps de mobilité ionique). Certains de ces paramètres peuvent être obtenus avec des bases de données disponibles en ligne, mais le temps de rétention est propre à l’instrument et à la méthode analytique utilisée, ce qui le rend très variable. Il est toutefois possible de prédire le temps de rétention des molécules dans des conditions analytiques données, à partir de leur structure chimique. Un modèle d’apprentissage basé sur une régression Ridge a ainsi été développé à partir de nombreux descripteurs moléculaires (2D et 3D), permettant l’estimation du temps de rétention pour 70 000 molécules d’une base de données. [6] Ce modèle a été intégré dans une chaine de traitement complète d’identification de molécules, fournissant différents niveaux de confiance en fonction de la fiabilité des paramètres utilisés.

Développement de systèmes d’alerte du risque sanitaire dans les cours d’eau urbains

La baignade en eau libre constitue une adaptation très appréciée des urbains face aux épisodes de canicule de plus en plus fréquents. Afin de limiter les risques sanitaires pour les nageurs, un système d’alerte est nécessaire pour anticiper des épisodes de contamination microbiologique et ainsi mieux gérer l’éventuelle fermeture à la baignade. Un système d’alerte pour la prévision du risque de contamination microbiologique de la Seine lors des épreuves de natation en eau libre des JOP de Paris 2024 a été développé. Une méthode de machine learning pour la réduction de la dimensionalité non-linéaire (Manifold ISOMAP) des variables hydrologiques et microbiologiques a été mise en œuvre pour définir un indicateur agrégé de pluie, ensuite corrélé au risque de contamination. Cet outil développé pour les JOP [7] a été repris pour le suivi des sites de baignade ouverts dans Paris à l’été 2025 et plus largement pour suivre l’évolution de la qualité de l’eau de la Seine et de la Marne [8].

Approches hybrides associant modélisation à base physique et deep-learning

La modélisation à base physique de la thermique, de l’hydrodynamique et des processus biogéochimiques des écosystèmes aquatiques constitue une thématique de recherche du LEESU depuis l’origine du laboratoire. Les méthodes d’apprentissage par les données offrent depuis quelques années une perspective d’amélioration des performances de ces modèles, en particulier pour les processus biogéochimiques. Néanmoins ces méthodes manquent souvent d’interprétabilité et de cohérence physique et ne permettent des prévisions fiables qu’à court terme. Pour pallier à ces limites, nous développons en collaboration avec le laboratoire MISTEA (INRAE, Montpellier) une approche hybride basée sur les équations différentielles universelles (UDE). Dans cette approche l’évolution temporelle des variables d’intérêt est régie par un système d’équations différentielles incluant un terme de réseaux de neurones (Neural ODE) et un terme basé sur la physique. L’UDE a été mise en œuvre pour simuler la stratification thermique d’un petit lac urbain, le lac de Créteil, et validée en confrontant les résultats de simulation aux données à haute-fréquence [9]. La comparaison des performances d’un modèle basé sur la physique et d’un modèle d’apprentissage par les données a montré de meilleures performances du modèle hybride UDE (figure ci-dessous). Le développement de cette approche de modélisation hybride se poursuit pour des variables biogéochimiques (Chlorophylle, Oxygène …).