Apprentissage automatique interprétable pour la prévision du trait de côte

Pourquoi prévoir la limite entre mer et terre importe

Les littoraux peuvent sembler immuables, mais la ligne où la terre rencontre l’océan est en mouvement permanent. Avec la montée du niveau de la mer, l’intensification des tempêtes et les modifications des écoulements fluviaux dues aux activités humaines et au climat, les populations vivant près des plages et des deltas ont besoin de savoir comment leurs côtes évolueront au cours des prochaines décennies. Cette étude présente une nouvelle manière de prédire les changements du trait de côte qui non seulement produit des prévisions précises, mais explique aussi, sous une forme mathématique claire, pourquoi tel segment de côte s’érode ou s’accumule.

Des boîtes noires à des équations lisibles

Beauxcoup des avancées récentes en science proviennent de systèmes puissants d’apprentissage automatique capables de faire des prédictions remarquablement précises. Pourtant ces modèles fonctionnent souvent comme des boîtes noires : ils donnent des réponses sans montrer le raisonnement. Dans des domaines comme la science côtière, où les décisions sur les infrastructures, l’habitat et la gestion des risques reposent sur la compréhension des processus physiques, cette opacité pose problème. Les auteurs se tournent donc vers une forme d’apprentissage automatique appelée régression symbolique, qui recherche des équations simples reliant au mieux les entrées et les sorties des données. Plutôt que d’entraîner un vaste réseau opaque, ils font évoluer des formules compactes dont la structure peut être lue, critiquée et reliée à la physique côtière connue.

Apprendre aux machines à écrire des formules côtières

L’équipe se concentre sur les variations mensuelles du trait de côte sur 25 ans à des milliers de sites dans le monde, en utilisant des enregistrements satellitaires des déplacements des plages au gré des saisons et des cycles climatiques. Ils combinent ces observations avec trois moteurs environnementaux clés : l’énergie des vagues entrantes, le niveau régional de la mer et l’eau douce déversée par les fleuves. À l’aide d’un algorithme évolutif basé sur des graphes, ils partent d’une population de modèles mathématiques aléatoires et « font se reproduire » itérativement les meilleurs. À chaque étape, les modèles sont mutés, testés sur les données à l’aide d’un score de compétence qui récompense à la fois la précision et des erreurs raisonnables, et les meilleurs sont conservés. Avec le temps, ce processus produit une riche famille d’équations qui capturent comment chaque segment de côte réagit aux vagues, au niveau d’eau et aux apports fluviaux.

Des côtes multiples, des meilleures réponses variées

Une équation globale unique ne peut pas décrire toutes les côtes du monde de manière équivalente. Les auteurs montrent que si leur meilleur modèle global fonctionne à peu près aussi bien qu’un modèle côtiers physiquement fondé largement utilisé, une autre stratégie est bien plus efficace : permettre à des côtes différentes d’employer des équations différentes. Ils construisent un « ensemble » de 46 modèles interprétables et, pour chaque point côtier, sélectionnent l’équation qui y fonctionne le mieux. Le résultat est une carte où chaque emplacement est régi par une formule claire, et non par une moyenne de nombreuses prédictions en boîte noire. Cet ensemble double plus que l’habileté globale par rapport à l’utilisation d’un modèle unique partout, révélant comment le comportement côtier local est mieux expliqué par une physique adaptée localement.

Ce qui gouverne chaque trait de côte

Parce que les modèles sont écrits explicitement en fonction des vagues, du niveau de la mer et des apports d’eau douce, les chercheurs peuvent déterminer quel moteur importe le plus où. En appliquant une analyse de sensibilité aux équations, ils identifient le facteur principal contrôlant le mouvement du trait de côte le long de chaque littoral. Les vagues émergent comme l’influence dominante pour la plupart des plages sablonneuses exposées à l’océan, en accord avec la théorie côtière classique. En revanche, les variations du niveau de la mer prennent de l’importance dans les estuaires et les baies abritées, où même de modestes changements de niveau peuvent remodeler des rivages bas. Les débits d’eau douce et l’apport sédimentaire associé se révèlent cruciaux près des embouchures de grands fleuves et dans les régions aux fortes pluies saisonnières, où les panaches fluviaux et les crues peuvent redistribuer considérablement le sable. Cette diversité de mécanismes, distillée en formules simples, dresse un tableau nuancé et global de la façon et des raisons pour lesquelles les côtes évoluent.

Une voie plus claire pour les décisions côtières

L’étude démontre qu’il est possible d’obtenir la puissance prédictive de l’apprentissage automatique sans renoncer à la compréhension. En faisant évoluer des équations concises et lisibles adaptées à différentes régions, l’approche offre à la fois de meilleures prévisions et des explications plus nettes sur ce qui contrôle les traits de côte locaux. Pour les planificateurs et les scientifiques, cela signifie qu’ils peuvent retracer une prévision jusqu’à ses ingrédients physiques sous-jacents, la confronter à la théorie et l’adapter au fur et à mesure de l’arrivée de nouvelles données. Dans un siècle où la forme des côtes mondiales comptera plus que jamais, des modèles interprétables comme ceux-ci fournissent un pont transparent entre les données satellitaires globales, la physique côtière et les décisions pratiques que les communautés doivent prendre au bord de l’eau.

Citation: Al Najar, M., Wilson, D.G. & Almar, R. Interpretable machine learning for shoreline forecasting. Sci Rep 16, 11457 (2026). https://doi.org/10.1038/s41598-026-37403-3

Mots-clés: changement du trait de côte, érosion côtière, régression symbolique, impacts climatiques, apprentissage automatique interprétable