-Présentation de l’échantillon
3.6 Perspectives de recherche
Des sondes vont enregistrer en continu un certain nombre de paramètres physico-chimiques tels que la température de l’eau, le PH, la conductivité, les teneurs en N et en P et l’oxygène dissous. Ces paramètres, alliés à l’observation terrain vont nous permettre de connaître les facteurs qui jouent un rôle dans la marche vers l’état critique, et notamment de savoir très précisément à partir de quels seuils, par exemples de température de l’eau, ou de taux de Nitrates ou bien encore de Phosphates, les algues apparaissent (analyses de sensibilité).
L’ensemble de ces mesures seront par la suite intégrées au sein d’une modélisation de type bayésienne afin de déceler la part imputable à chacun de ces facteurs, mais également afin de voir comment ils interagissent entre eux pour dessiner des processus favorables au bloom algal.
« Les réseaux bayésiens, initiés par Judea Pearl dans les années 1980 se sont révélés des outils très pratiques pour la représentation de connaissances incertaines et le raisonnement à partir d’informations incomplètes, dans de nombreux domaines comme la bioinformatique, la gestion du risque, la sécurité informatique, le transport etc.. . ». Ils ont acquis leurs lettres de noblesse dans le
domaine du diagnostic médical, informatique et industriel et leurs champs d’application ne cessent de s’étendre : risques opérationnels, gestion de projet, marketing, optimisation de processus.
Ils permettent d’établir des relations de dépendances ou d’indépendances entre différentes variables aussi bien quantitatives que qualitatives, d’analyser leurs interrelations, leurs combinaisons, mais surtout de quantifier ces relations à l’aide de paramètres ou de probabilités. Le contexte est celui d’un formalisme mathématique de représentation des connaissances incertaines (probabilistes). De plus, l’outil de type « réseau bayésien » a l’avantage de pouvoir rassembler et de fusionner des connaissances à partir de données de diverses natures quantitatives/qualitatives, de types expert, de les faire cohabiter dans un même modèle (forte capacité intégrative), mais également d’introduire le retour d’expériences (données historiques ou empiriques). En effet, un réseau bayésien peut être construit à partir de données, soit par apprentissage (apprentissage incrémental, inférence), soit à partir d’une modélisation explicite du domaine de type expert, soit il permet de coupler les connaissances des experts et les données disponibles. Les données peuvent être exprimées sous forme de règles logiques, de type équations statistiques ou bien encore de probabilités subjectives, voire d’observations.
En outre, grâce à la fusion de données, le réseau bayésien a la capacité de prendre en compte des données incomplètes ou incertaines et de vérifier ensuite ces informations. En effet, connaissant les valeurs d’une variable mais méconnaissant les valeurs d’autres, il est possible grâce au calcul des probabilités de retrouver les données manquantes ou lacunaires (principe de l’inférence). Enfin, par le biais de procédures de type Data mining les meilleures variables à sélectionner sont proposées, de même que des informations a priori inconnues et à valeur prédictives peuvent être « automatiquement » extraites de la base de données. En effet, les réseaux bayésiens permettent à la fois de modéliser des connaissances et à la fois de produire des connaissances (fonction hautement heuristique) à travers la mise en évidence de relations causales jusqu’à présent cachées ou de variables latentes, et ce, dans le cadre d’une analyse non supervisée (Causal
knowledgediscovery).
Les réseaux bayésiens apportent donc de la valeur ajoutée en termes de connaissances, ils représentent un formidable outil pour la modélisation quantitative de systèmes complexes en domaine incertain. Il s’agit d’une modélisation évolutive, car le réseau bayésien s’adapte aux changements en apprenant au fur et à mesure les nouvelles informations, et robuste, fondée sur les théories des graphes et des probabilités. Par rapport à d’autres outils de type Système Expert, les réseaux bayésiens permettent de mieux conditionner les risques et donc de mieux évaluer les pertes ou dommages encourus et également d’identifier les leviers de réduction du risque.
Nous proposons d’y avoir recours pour répondre à des questions de ce type : Connaissant l’intensité du bloom algal, quel a pu être est le taux de Nitrates ou de Phosphates présent dans l’eau ? Ou inversement, disposant cette fois de mesures précises de la qualité physico-chimique, de l’eau à un moment donné, quelle est la probabilité de voir apparaître un bloom ? Quels sont les facteurs déterminants dans l’émergence du phénomène ? Quels sont les facteurs secondaires ? Est-ce la multiplicité de ces facteurs, ou bien leurs combinaisons qui présentent le plus de risque de proliférations ? Si d’un ensemble de causalités interdépendantes émerge le phénomène d’efflorescence algale, les réseaux bayésiens vont nous permettre de savoir très précisément quelles causalités ou plutôt quels enchainements de causalités sont responsables du phénomène, et en quelle proportion (probabilités). Et connaissant la part imputable à chacun des facteurs nous pourrons alors connaître la probabilité d’apparition du phénomène.
Enfin, dans le cadre d’une politique visant à prévenir les épisodes de bloom nous partirons à la recherche d’indicateurs précoces qui nous permettront de suivre la montée en puissance vers le phénomène d’efflorescence (à l’attention des gestionnaires de l’eau). Ces indicateurs pourraient être corrélés avec des prévisions météorologiques afin de mieux prévoir la situation critique, et ce d’autant plus que les épisodes de bloom algal risquent d’être du fait du réchauffement climatique à la fois plus fréquents et plus sévères. Des scénarii peuvent également être envisagés où on peut s'amuser à faire varier les différents apports en eau (changement climatique), en nutriments (politique de réduction des N & P) et/ou les divers prélèvements (AEP, irrigations) et observer les impacts de chacune de ces variations sur la prolifération algale.