Estimation de la demande chimique en oxygène des lixiviats municipaux à l’aide de réseaux de neurones perceptron multicouche basés sur des données de surveillance saisonnières

Pourquoi les flaques de décharge comptent

Toute ville moderne s’appuie sur des décharges pour cacher ses déchets, mais l’eau de pluie qui s’infiltre à travers les ordures enfouies peut se transformer en un cocktail chimique puissant appelé lixiviat. Ce liquide peut contaminer les sols et les eaux s’il n’est pas maîtrisé. L’étude décrite ici montre comment un type de modèle informatique, inspiré du fonctionnement du cerveau, peut prédire la pollution de ce lixiviat — sans avoir à réaliser systématiquement des analyses de laboratoire coûteuses. Cette connaissance peut aider les collectivités à sécuriser les sites d’enfouissement et à réduire les coûts de surveillance.

L’eau cachée sous nos déchets

Quand la pluie tombe sur une décharge, elle s’infiltre à travers des couches de restes alimentaires, de papier, de plastiques et d’autres débris. En chemin, elle dissout de la matière organique, des huiles, des sels et des traces de métaux lourds tels que l’arsenic, le cobalt et le cadmium. Le résultat est un lixiviat, un liquide sombre souvent malodorant qui doit être collecté et traité. Un indicateur clé de la pollution de ce liquide est la demande chimique en oxygène, ou DCO. En termes simples, la DCO indique la quantité d’oxygène nécessaire pour oxyder tous les composés chimiques et la matière organique présents dans l’eau ; une DCO élevée signifie une pollution forte et potentiellement nocive.

Surveiller une décharge au fil des saisons

Les chercheurs se sont concentrés sur une décharge municipale à Niğde, une région semi‑aride du centre de la Turquie. Pendant une année complète, de la fin 2022 à la fin 2023, ils ont prélevé des échantillons hebdomadaires dans l’étang de lixiviat où est collecté le liquide de la décharge. Ils ont mesuré neuf paramètres de base du lixiviat et de son environnement : la température, le pH (acidité ou alcalinité), les solides totaux, les huiles et graisses, la conductivité électrique (indice de salinité), ainsi que les teneurs en arsenic, cobalt et cadmium, en plus de la DCO. Les valeurs de DCO étaient extrêmement élevées — en moyenne environ 35 fois supérieures à la limite nationale de rejet — ce qui confirme que le lixiviat non traité peut être un polluant très puissant.

Transformer de nombreuses mesures en quelques signaux pertinents

Parce que réaliser des analyses complètes en laboratoire peut être coûteux et lent, l’équipe a examiné si la DCO pouvait être prédite à partir des autres paramètres plus faciles à mesurer. Ils ont d’abord utilisé un outil statistique appelé analyse en composantes principales. Plutôt que d’examiner chaque variable indépendamment, cette méthode identifie des schémas — des combinaisons de mesures qui tendent à varier ensemble. Elle a permis de mettre en évidence les facteurs porteurs d’information sur le comportement du lixiviat : la température, le pH, les huiles et graisses et certains métaux se sont distingués. En réduisant le nombre d’entrées aux éléments les plus informatifs, les chercheurs espéraient construire des modèles plus simples et plus rapides tout en conservant l’essentiel.

Apprendre à un « cerveau » numérique à lire le lixiviat

Le cœur de l’étude était un perceptron multicouche, un type de réseau de neurones artificiels. Ce « cerveau » numérique apprend en étant nourri d’exemples : des entrées mesurées comme le pH ou la température associées aux valeurs réelles de DCO. L’ensemble de données de 52 échantillons hebdomadaires a été réparti par saison en une partie d’entraînement et une partie de test, de sorte que le modèle soit mis au défi par des conditions non vues. L’équipe a testé quatre architectures de modèle, chacune utilisant des jeux d’entrées différents, et a utilisé une validation croisée répétée — une méthode qui entraîne et teste le modèle sur de nombreuses divisions différentes des données — pour éviter d’être trompée par des coïncidences favorables. Le meilleur modèle utilisait seulement cinq variables sélectionnées à partir de l’analyse des patrons et avait une structure avec une couche d’entrée, une couche cachée de 21 neurones et une couche de sortie unique.

Ce que le modèle peut nous dire

Quand ce meilleur modèle a été testé sur des données qu’il n’avait jamais vues, les DCO prédites se sont alignées étroitement sur les mesures réelles, avec une corrélation de 0,864. Cela signifie que le modèle a capturé la plupart des variations saisonnières du niveau de pollution de la décharge, malgré le nombre modeste d’échantillons. Certaines erreurs subsistent, notamment pour les faibles valeurs de DCO, mais les performances globales suggèrent qu’une poignée de mesures de routine peut remplacer de manière fiable un bilan chimique complet. Pour les exploitants et les autorités de contrôle des décharges, cette approche offre un moyen pratique de surveiller un liquide dangereux tout en économisant du temps et de l’argent.

Une surveillance plus propre pour un problème sale

En substance, ce travail montre que l’analyse de données intelligente et l’apprentissage automatique peuvent transformer un problème d’analyse coûteux et complexe en une tâche maîtrisable. En entraînant un réseau de neurones sur une année de surveillance saisonnière, les chercheurs ont construit un outil capable d’estimer la pollution du lixiviat à partir d’un petit ensemble de tests plus simples. Cela ne remplace pas le traitement ni les contrôles détaillés, mais cela fournit aux décideurs un système d’alerte plus rapide et une manière plus efficace de planifier. À mesure que des modèles similaires seront affinés et enrichis de données supplémentaires, ils pourraient devenir des outils standard pour s’assurer que les liquides sous nos déchets restent maîtrisés et ne contaminent pas nos cours d’eau.

Citation: Gök, G., Gürbüz, O.Ö. & Gürbüz, O.A. Estimating chemical oxygen demand in municipal landfill leachate using multilayer perceptron artificial neural networks based on seasonal monitoring data. Sci Rep 16, 7096 (2026). https://doi.org/10.1038/s41598-026-37497-9

Mots-clés: lixiviat de décharge, pollution de l’eau, réseaux de neurones artificiels, gestion des déchets, demande chimique en oxygène