Modélisation par apprentissage automatique d’un indice environnemental non linéaire avec analyse de sensibilité pour l’évaluation des eaux souterraines

Pourquoi l’eau sous nos pieds compte

Dans de nombreuses régions sèches du monde, y compris le sud de l’Iran, les populations dépendent des eaux souterraines comme principale source d’eau potable et d’irrigation. Mais cette ressource cachée peut peu à peu devenir trop salée ou polluée sans signes évidents en surface. Cette étude se penche sur l’aquifère de Marvdasht, qui alimente une ville et des centaines de villages, et montre comment des outils de données modernes peuvent suivre où l’eau reste potable, où elle se détériore, et quels composants de l’eau comptent le plus.

Transformer de nombreuses mesures en un score clair

Les eaux souterraines contiennent un mélange de minéraux et de sels dissous, comme le sodium, le calcium, le magnésium, le chlorure et le sulfate. Chacun de ces éléments affecte la santé et la corrosion des canalisations de façons différentes, et lire de longues tables de chiffres provenant de dizaines de puits devient rapidement écrasant. Pour simplifier cela, les chercheurs ont utilisé un indice de qualité des eaux souterraines, ou GWQI. Cet indice combine 11 propriétés de l’eau mesurées de routine en un score unique, en prenant comme référence les recommandations de l’Organisation mondiale de la santé. Des scores faibles indiquent une eau excellente, tandis que des scores élevés signalent une eau trop salée ou autrement impropre à la consommation.

Ce que révèlent les puits sur l’aquifère

En utilisant des données de 70 puits recueillies sur une décennie, l’équipe a constaté qu’une grande partie de l’aquifère de Marvdasht est déjà en stress. Seulement environ un quart des échantillons présentaient de faibles niveaux de solides dissous totaux, une mesure de la teneur en sels, jugés bons pour la consommation. Tous les échantillons étaient classés comme « durs » ou « très durs », ce qui signifie des niveaux élevés de calcium et de magnésium. La partie nord de l’aquifère, alimentée par un barrage et traversant du calcaire, montre encore majoritairement une eau bonne à excellente. Mais à mesure que l’eau se déplace vers le sud, elle dissout davantage de sels provenant de roches riches en gypse et se mélange aux flux de retour agricoles et urbains, devenant sensiblement plus salée et moins adaptée aux usages domestiques.

Identifier les ingrédients les plus importants de l’eau

Tous les éléments chimiques des eaux souterraines n’ont pas le même impact sur leur potabilité. L’étude a utilisé une analyse de sensibilité pour poser une question simple : si un composant est retiré de l’indice, dans quelle mesure le score global change-t-il ? La réponse est nette. Les solides dissous totaux et la conductivité électrique, deux mesures de la salinité, provoquent les plus grands changements dans l’indice de qualité des eaux souterraines. Le chlorure, le sodium et la dureté de l’eau sont également des facteurs majeurs. En revanche, des paramètres comme le potassium et le bicarbonate jouent un rôle mineur. Cela signifie que, dans cet aquifère, l’augmentation de la salinité et des ions associés constitue le principal signal d’alerte que l’eau devient impropre à la consommation.

Apprendre aux ordinateurs à prédire la qualité de l’eau

Calculer un indice pour chaque nouvel échantillon et mettre à jour manuellement des cartes détaillées peut être lent et coûteux. Pour accélérer le processus, les chercheurs ont entraîné trois types de modèles informatiques — réseaux de neurones artificiels, machines à vecteurs de support et forêts aléatoires — en utilisant les données de chimie de l’eau existantes. Une fois entraînés, ces modèles peuvent estimer directement l’indice de qualité des eaux souterraines à partir des ions et sels mesurés, même à des emplacements ou à des moments où l’indice n’a pas encore été calculé. Parmi les trois, le modèle de réseau de neurones s’est distingué : il a reproduit l’indice avec une précision extrêmement élevée et une faible erreur, captant la manière complexe et non linéaire dont différents paramètres chimiques se combinent pour affecter la qualité globale.

Ce que cela signifie pour les populations et les politiques

Pour les résidents et les décideurs, le message est double. D’une part, de vastes zones dans les parties sud et sud‑est de l’aquifère de Marvdasht ont déjà des eaux souterraines trop salées et trop dures pour être consommées en toute sécurité, et cette tendance est étroitement liée à la géologie locale et aux activités humaines. D’autre part, l’étude montre qu’en combinant un indice simple et compréhensible avec l’apprentissage automatique et des cartes numériques, il est possible de surveiller ces changements de manière efficace et d’identifier précisément les zones à haut risque. Concrètement, cette approche offre un système d’alerte précoce rentable pour gérer les puits, limiter la pollution et planifier des approvisionnements alternatifs dans les régions arides où chaque goutte d’eau potable compte.

Citation: Azma, A., Liu, Y. & Alemu, E.T. Machine learning modelling of a nonlinear environmental index with sensitivity analysis for groundwater assessment. Sci Rep 16, 14595 (2026). https://doi.org/10.1038/s41598-026-44906-6

Mots-clés: qualité des eaux souterraines, salinité de l’eau, apprentissage automatique, ressources en eau, surveillance des aquifères