Poste de recherche postdoctoral Prédire les changements environnementaux à l’aide de l’apprentissage profond, de la télédétection par satellite et des projections climatiques futures. Études de cas dans le sud du Kenya et en Amazonie brésilienne W/M

Contexte

MOSAIC (Multi-site Application of Open Science in the Creation of Healthy Environments Involving Local Communities) est un projet européen axé sur la santé planétaire. Il vise à intégrer des données provenant de diverses sources pour élucider les relations entre les changements environnementaux et la santé humaine dans deux sites d’étude distincts au Kenya et au Brésil. Au Kenya, le projet se concentre sur le sud du Kenya et le nord de la Tanzanie, abordant les répercussions de la sécheresse, de la dégradation des terres et de la perte de biodiversité sur le mode de vie des éleveurs Massaï, y compris les aspects de leur santé et de la durabilité environnementale. Pendant ce temps, en Amazonie, les sites d’étude se penchent sur les impacts sanitaires et environnementaux de la déforestation et de l’exploitation minière sur les populations locales et autochtones. Pour atteindre ses objectifs, MOSAIC exploitera un large éventail de sources de données, garantissant une analyse complète des paysages environnementaux et sanitaires sur ses sites d’étude. Cela comprend les données de télédétection et d’observation de la Terre pour suivre les changements d’utilisation des terres et les variables climatiques ; données du système de surveillance de la santé ; et des données sur la population locale grâce à des approches participatives communautaires pour obtenir des informations sur les observations environnementales et les indicateurs socio-économiques. De plus, des données environnementales et écologiques sur la biodiversité et les caractéristiques géographiques seront collectées sur place, et des référentiels de données ouvertes seront utilisés pour enrichir la compréhension contextuelle de chaque site. Ces divers flux de données éclaireront collectivement les efforts du projet visant à modéliser les résultats sanitaires des changements environnementaux, favorisant ainsi une approche holistique pour relever les défis de santé planétaire.

Objectifs de recherche

Dans le cadre du projet MOSAIC, des études approfondies devraient être entreprises pour collecter des données essentielles et développer des modèles permettant de découvrir les principaux facteurs à l’origine des problèmes de santé humaine et de la perte de biodiversité sur chaque site d’étude. Cette recherche postdoctorale sera consacrée à la construction de modèles sophistiqués conçus pour la prédiction d’événements futurs cruciaux susceptibles d’avoir un impact sur ces domaines. De tels efforts visent à faciliter l’adoption de tactiques d’atténuation anticipées. Par exemple, si la réduction de la couverture forestière et les sécheresses sont identifiées comme des facteurs contribuant de manière significative aux problèmes de santé mentale au Kenya, nous visons à développer des modèles prédictifs capables de prévoir avec précision ces événements. Grâce à l’intégration de ces prévisions, nous visons à anticiper les crises futures, permettant ainsi la mise en œuvre de mesures d’atténuation rapides et efficaces.

Méthodologie proposée

Cette recherche se distingue par l’utilisation à la fois de données d’observation de la Terre et de projections climatiques futures pour prévoir les changements environnementaux et les événements météorologiques extrêmes. Pour ce faire, nous exploiterons les réseaux de neurones profonds (DNN), qui se sont révélés prometteurs dans divers domaines comme la détection de la sécheresse [1] et la surveillance de la déforestation [2]. Ces succès sont en grande partie dus aux modèles de base conçus pour analyser les images satellites [3][4]. De tels modèles sont pré-entraînés sur de vastes ensembles de données d’images satellite et peuvent être facilement ajustés à de nouvelles tâches, faisant preuve d’une flexibilité remarquable même avec des quantités limitées de données spécifiques à une tâche. Par conséquent, une première étape importante dans cette recherche postdoctorale consistera à adapter ces modèles à nos zones d’étude du sud du Kenya et de l’Amazonie brésilienne. En abordant les défis uniques de ces régions grâce à une approche unifiée, nous visons à établir une méthodologie claire pour affiner les réseaux de neurones afin de prédire les variables environnementales à partir d’images satellite. Cet effort devrait apporter une contribution substantielle au domaine de l’atténuation du changement climatique grâce à l’intelligence artificielle. De plus, ce projet sera pionnier dans l’intégration de variables de prévision du changement climatique, spécifiquement issues de l’ensemble de données CMIP6 [5], dans nos modèles. Cette intégration vise à faire évoluer ces systèmes au-delà de la simple détection, leur permettant de prévoir les futures menaces environnementales avec une meilleure précision. En intégrant des prévisions sur les variables climatiques futures, nous espérons améliorer la capacité de nos modèles à identifier de manière préventive les crises environnementales potentielles, permettant ainsi aux autorités de mettre en œuvre à l’avance des stratégies d’atténuation efficaces. De plus, nos recherches exploreront la prédiction synergique d’événements environnementaux associés dans un cadre de modélisation unique. Les preuves issues du domaine de l’apprentissage automatique suggèrent que la prédiction conjointe de variables associées peut améliorer considérablement la précision du modèle en introduisant une forme de régularisation [6]. Par exemple, prévoir la déforestation parallèlement aux inondations potentielles pourrait produire des prévisions plus précises, offrant ainsi de nouvelles perspectives sur la nature interconnectée des phénomènes environnementaux. Cette approche innovante a le potentiel de redéfinir la modélisation prédictive en sciences de l’environnement. Compte tenu de la complexité et de la variabilité des données environnementales et climatiques, l’intégration de divers ensembles de données provenant de différentes régions sera cruciale pour améliorer la robustesse de nos modèles. Par conséquent, le chercheur devra également intégrer des bases de données accessibles au public pour enrichir la phase de pré-formation du développement du modèle et renforcer l’efficacité globale de nos cadres prédictifs. [

1] An, J., Li, W., Li, M., Cui, S. et Yue, H. (2019). Identification et classification du stress dû à la sécheresse du maïs à l’aide d’un réseau neuronal à convolution profonde. Symétrie, 11, 256. https://doi.org/10.3390/sym11020256 . [2] Ortega, MX, Bermudez, JD, Happ, PN, Gomes, A. et Feitosa, RQ (2019). Évaluation des techniques d’apprentissage profond pour la détection de la déforestation dans la forêt amazonienne. Annales ISPRS de la photogrammétrie, de la télédétection et des sciences de l’information spatiale, 4, 121-128. [3] Fuller, A., Millard, K. et Green, J. (2024). CROMA : Représentations de télédétection avec auto-encodeurs masqués radar-optique contrastés. Advances in Neural Information Processing Systems, 36. [4] Jakubik, J., Roy, S., Phillips, CE, Fraccaro, P., Godwin, D., Zadrozny, B., … et Ramachandran, R. ( 2023). Modèles de base pour l’intelligence artificielle géospatiale généraliste. Préimpression arXiv arXiv:2310.18660. [5] Kim, YH, Min, SK, Zhang, X., Sillmann, J. et Sandstad, M. (2020). Évaluation de l’ensemble multimodèle CMIP6 pour les indices climatiques extrêmes. Extrêmes météorologiques et climatiques, 29, 100269. [6] Zhang, Y. et Yang, Q. (2018). Un aperçu de l’apprentissage multitâche. Revue nationale des sciences, 5(1), 30-43.