Prévision des variations du niveau des nappes phréatiques à l’aide de techniques d’apprentissage automatique dans la zone de Tazerbo, bassin d’Al Kufra, sud-est de la Libye

Pourquoi le futur de la nappe importe ici

Dans certaines des régions les plus arides du globe, l’eau souterraine est la seule ressource qui maintient en vie les exploitations agricoles, les villes et les activités industrielles. Dans le sud-est de la Libye, d’importants champs de puits exploitent un aquifère désertique profond pour acheminer de l’eau vers le nord, jusqu’aux villes côtières. Cet article explique comment des scientifiques ont utilisé des outils informatiques modernes pour regarder vers l’avant et estimer comment ces réserves cachées pourraient évoluer au cours des deux prochaines décennies selon différents scénarios de pompage, aidant ainsi les décideurs à éviter des pénuries sévères et des dommages au sol.

L’aquifère désertique derrière la ligne de vie hydrique de la Libye

L’étude se concentre sur le champ de puits de Tazerbo dans le bassin d’Al Kufra, l’une des sources clés du projet du Fleuve Artificiel libyen, qui conduit des eaux fossiles du Sahara vers des villes éloignées. La région reçoit très peu de pluie et connaît des chaleurs intenses ; l’aquifère profond de grès nubien fonctionne donc comme un compte bancaire d’eau ancienne. Depuis le début du pompage à grande échelle en 2004, plus d’une centaine de puits de production ont prélevé par moments jusqu’à environ un million de mètres cubes d’eau par jour. Cette exploitation intensive a déjà abaissé les niveaux d’eau de jusqu’à 16 mètres dans certaines parties du champ et contribué à des tassements de terrain, suscitant des inquiétudes quant à la durée pendant laquelle cette ligne de vie hydrique pourra subsister.

Transformer les relevés de puits en problème d’apprentissage

Pour explorer l’avenir de l’aquifère, les chercheurs ont rassemblé vingt ans de mesures annuelles des niveaux d’eau provenant de quatorze puits d’observation autour de Tazerbo, ainsi que les registres des volumes pompés chaque jour. Ils ont également compilé des informations de base sur les puits et l’aquifère, comme l’épaisseur des couches et la perméabilité. Plutôt que de tenter de modéliser chaque détail physique de l’écoulement souterrain, ils ont traité le problème comme une série temporelle : comment le niveau d’eau d’un puits réagit-il au fil du temps aux niveaux passés et aux variations de pompage ? Ce cadre se prête bien aux méthodes d’apprentissage automatique capables de déceler des motifs dans les données sans qu’il soit nécessaire de spécifier à l’avance tous les processus physiques.

Comment la machine apprend à prévoir

L’équipe a testé plusieurs outils statistiques avancés et méthodes d’apprentissage automatique, y compris des variantes de régression par processus gaussien et un réseau neuronal récurrent appelé Long Short-Term Memory. Ils ont évalué la capacité de chaque méthode à reproduire des niveaux d’eau connus en utilisant des critères standard tels que la concordance entre valeurs prédites et observées et l’ordre de grandeur des erreurs typiques. Le grand gagnant fut un type particulier de réseau de séries temporelles connu sous le nom de modèle autorégressif non linéaire exogène, ou NARX, qui prend en compte à la fois les niveaux d’eau passés et les volumes de pompage. Avec une structure relativement simple, ce réseau a pu reproduire l’historique des quatorze puits avec une très grande précision. Une analyse de sensibilité détaillée a montré que le modèle utilisait différentes combinaisons d’entrées selon les puits, ce qui suggère qu’il captait des relations causes-effets significatives plutôt que de simplement mémoriser les données.

Deux avenirs différents pour le même aquifère

Une fois entraîné et validé, le modèle NARX a été utilisé pour projeter l’évolution jusqu’en 2030 et 2040 selon deux plans de pompage. Dans le premier scénario, le taux d’extraction actuel réduit, d’environ 255 000 mètres cubes par jour, est maintenu. Dans ce cas, le modèle prévoit un nouvel abaissement relativement modéré, principalement dans la partie nord du champ : environ 2 mètres de baisse additionnelle d’ici 2030 par rapport à 2024, et à peu près 1,6 mètre supplémentaire d’ici 2040. Certains puits au sud pourraient même connaître une légère reprise, probablement en raison de la structure locale de l’aquifère. En contraste marqué, le second scénario suppose que le pompage augmente jusqu’à 400 000 mètres cubes par jour.

Ce que les résultats signifient pour les gestionnaires de l’eau

Sous le scénario de pompage plus élevé, le modèle prédit des chutes très importantes du niveau des nappes, dépassant 50 mètres dans les parties sud-est et sud-ouest du champ de puits d’ici 2030 et restant fortement déprimées en 2040. L’expérience passée à Tazerbo montre déjà que des pompages agressifs peuvent déclencher des déclins soudains, en partie réversibles lorsque l’extraction est réduite. Les nouvelles prévisions confirment ce constat et soulignent la grande sensibilité de l’aquifère à un épuisement prolongé. Pour un lecteur non spécialiste, le message est clair : maintenir les prélèvements proches des niveaux réduits actuels permet d’étirer cette réserve d’eau finie sur davantage d’années, tandis qu’une remontée des prélèvements risque des déclins importants, des tassements de terrain et une pression accrue sur les communautés dépendantes de cette eau cachée. L’étude montre que des outils d’apprentissage automatique bien calibrés peuvent devenir des guides pratiques pour planifier un usage durable de l’eau dans certaines des régions les plus pauvres en eau au monde.

Citation: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

Mots-clés: prévision des nappes, apprentissage automatique, aquifère libyen, gestion de l’eau, réseau de neurones NARX