Une approche par apprentissage automatique pour l’extension des anomalies de stockage d’eau totale jusqu’en 1980 (ML-TWiX)

Pourquoi les changements hydriques à long terme comptent

La quantité d’eau stockée sur les terres — dans le sol, la neige, les rivières, les lacs et les nappes souterraines — varie d’un mois à l’autre et d’une décennie à l’autre. Ces fluctuations influencent les sécheresses, les inondations, la production alimentaire et même le niveau global des mers. Les satellites nous offrent une vue planétaire puissante de ces évolutions seulement depuis le début des années 2000, ce qui est trop court pour comprendre pleinement les tendances climatiques à long terme. Cette étude présente ML-TWiX, une reconstruction basée sur l’apprentissage automatique qui étend notre archive mondiale des variations du stockage d’eau terrestre jusqu’en 1980, aidant les scientifiques et les décideurs à voir les tendances pluri-décennales du cycle de l’eau de la Terre.

Voir l’eau cachée depuis l’espace

Les satellites des missions GRACE et GRACE Follow-On ne mesurent pas l’eau directement. Ils détectent plutôt de très petites variations du champ de gravité terrestre causées par le déplacement de l’eau autour de la planète. À partir de ces variations de gravité, les scientifiques déduisent des « anomalies de stockage d’eau total » — combien la quantité d’eau stockée sur les terres diffère de sa moyenne à long terme. Ces données ont transformé notre compréhension de l’épuisement des nappes phréatiques, des sécheresses persistantes, des crues des bassins fluviaux et de la contribution des eaux continentales à l’élévation du niveau de la mer. Mais les observations au format GRACE ne couvrent qu’environ deux décennies, laissant un enregistrement trop court pour détecter de manière robuste les tendances lentes liées au climat ou pour comparer les extrêmes actuels à ceux du passé récent.

Apprendre aux ordinateurs à exploiter les modèles

Pour dépasser ce que les satellites peuvent fournir seuls, les auteurs ont recours à l’apprentissage automatique. De nombreux modèles informatiques simulent déjà comment l’eau se déplace et se stocke sur les terres, mais chaque modèle présente des angles morts — certains gèrent bien la neige mais négligent les eaux souterraines, d’autres intègrent l’usage humain de l’eau mais simplifient les cours d’eau, etc. ML-TWiX utilise les sorties de treize de ces modèles globaux, couvrant 1980–2012, et prend les observations GRACE pendant 2002–2012 comme cible d’apprentissage. Trois algorithmes différents — Random Forest, XGBoost et la régression par processus gaussien — sont entraînés, cellule de grille par cellule de grille, pour apprendre à combiner les modèles de façon à ce que leur sortie conjointe corresponde à ce que GRACE a réellement mesuré lorsqu’il était en fonction.

Construire une image plus solide en combinant plusieurs vues

Plutôt que de faire confiance à une seule technique, ML-TWiX adopte une approche par ensemble. Chacune des trois méthodes d’apprentissage est entraînée plusieurs fois avec des réglages légèrement différents, puis toutes leurs prévisions sont moyennées. Ce regroupement réduit l’impact des particularités d’un modèle donné et rend le produit final plus robuste à travers des climats allant des tropiques humides aux déserts arides et aux hautes latitudes dominées par la neige. De manière importante, la dispersion entre les membres de l’ensemble est également conservée, fournissant une carte d’incertitude qui indique aux utilisateurs où la reconstruction est plus ou moins fiable. L’incertitude tend à être plus élevée dans les régions au cycle hydrique très dynamique, comme l’Amazonie et les zones de mousson, et plus faible dans les régions plus arides où les variations de stockage sont plus modestes.

Mettre le nouvel enregistrement à l’épreuve

Les auteurs ne se contentent pas de faire confiance à la sortie de l’apprentissage automatique ; ils la vérifient par plusieurs lignes de preuve indépendantes. D’abord, pendant les années où GRACE était opérationnel, le stockage d’eau reconstruit suit de près l’enregistrement satellite sur des centaines de grands bassins fluviaux, avec des corrélations très élevées et de faibles erreurs. Ensuite, ils comparent ML-TWiX à des estimations dérivées du suivi satellitaire par laser, une technique plus ancienne qui détecte aussi les variations de gravité, et constatent que le nouveau jeu de données correspond à ce signal à peu près aussi bien que GRACE lui‑même. Troisièmement, ils testent si les variations mois par mois du stockage reconstruit sont cohérentes avec l’équation de bilan hydrique de base reliant précipitation, évaporation et écoulement fluvial. Enfin, ils utilisent un bilan global du niveau de la mer : quand les terres stockent plus d’eau, les océans doivent temporairement baisser, et inversement. La moyenne globale de ML-TWiX est en bon accord avec les estimations fondées sur le niveau de la mer, en particulier pendant l’ère satellitaire.

Ce que cela signifie pour la compréhension du futur hydrique de la Terre

Pour un public non spécialiste, ML-TWiX peut être vu comme un « traducteur » intelligent et fondé sur les données entre de nombreuses simulations informatiques imparfaites et un enregistrement satellite court mais très fiable. En apprenant comment ces simulations se comportaient pendant les années GRACE, il peut rejouer des relations similaires jusqu’en 1980, comblant plus de deux décennies supplémentaires de cartes mensuelles mondiales des variations du stockage d’eau terrestre. Bien que la reconstruction soit moins certaine avant l’ère des satellites et ne puisse pas tout capturer — notamment là où le climat ou l’usage humain de l’eau ont pu évoluer de façon inédite — elle offre néanmoins l’une des images les plus cohérentes et rigoureusement testées à ce jour de l’évolution des eaux continentales de la Terre au cours des dernières décennies. Cette perspective plus longue devrait aider chercheurs et planificateurs à mieux situer les sécheresses, inondations et tensions hydriques actuelles dans un contexte historique et climatique plus large.

Citation: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

Mots-clés: stockage d’eau terrestre, satellites GRACE, hydrologie par apprentissage automatique, cycle global de l’eau, variation du niveau de la mer