Apprentissage profond amélioré par métaheuristique pour la prévision mensuelle de l’évaporation au bassin avec des données climatiques limitées

Pourquoi l’évaporation de l’eau compte pour la vie quotidienne

L’eau disparaît chaque jour des lacs, des réservoirs et des étangs agricoles par évaporation, influençant discrètement la quantité d’eau disponible pour la consommation, la production alimentaire et la protection des écosystèmes. Mesurer et prévoir cette perte semble simple — il suffirait d’observer l’eau s’évaporer d’un bac — mais en réalité c’est difficile, surtout dans les régions où les instruments météorologiques sont rares. Cette étude explore comment l’apprentissage profond moderne, guidé par des stratégies de recherche inspirées de la nature, peut prévoir l’évaporation mensuelle au bassin en n’utilisant qu’un petit nombre de mesures climatiques de base, aidant les communautés à planifier les sécheresses, les inondations et les changements de saison même quand les données font défaut.

Observer l’eau s’évaporer d’un bac métallique

Les ingénieurs et hydrologues utilisent souvent « l’évaporation au bassin » comme moyen pratique d’estimer la vitesse à laquelle l’eau s’évapore des surfaces ouvertes. Un bac métallique peu profond rempli d’eau sert de substitut aux lacs, canaux et réservoirs. Pourtant ces mesures sont sujettes à des pannes d’instrumentation, des problèmes d’entretien et des lacunes dans les séries chronologiques. Des formules indirectes qui relient l’évaporation aux variables climatiques, comme la température et l’ensoleillement, peinent elles aussi lorsque des données clés manquent. Parce que l’évaporation réagit de manière complexe et non linéaire aux conditions météorologiques et au paysage, les approches traditionnelles peuvent mal estimer la perte d’eau, en particulier dans les régions où seules quelques variables climatiques de base sont disponibles.

Apprendre à un modèle à mémoire à lire la météo

Les auteurs s’appuient sur un type de réseau d’apprentissage profond appelé LSTM (long short‑term memory), conçu pour apprendre des motifs dans des données ordonnées dans le temps. Les LSTM fonctionnent comme une série de « cellules mémoire » liées qui décident ce qu’il faut conserver, oublier et transmettre, ce qui les rend bien adaptés pour suivre l’évolution mensuelle du climat. Dans cette étude, les modèles n’utilisent qu’un petit jeu d’entrées : température minimale et maximale de l’air et une mesure de l’énergie solaire entrante. L’objectif est de prédire la quantité d’eau évaporée d’un bac chaque mois sur de nombreuses années, tout en restant fiable même lorsque les informations d’entrée sont limitées ou incomplètes.

Laisser des protozoaires et des coléoptères guider la recherche

L’apprentissage d’un LSTM implique le choix de nombreux paramètres internes — tels que le taux d’apprentissage, le nombre d’unités cachées et le taux de dropout — qui influencent fortement sa précision. Plutôt que de les ajuster par essais‑erreurs, les chercheurs ont recours à deux nouveaux optimisateurs métaheuristiques bio‑inspirés : l’Artificial Protozoa Optimizer (APO) et le Dung Beetle Optimizer (DBO). Ces algorithmes reproduisent la façon dont les protozoaires microscopiques cherchent de la nourriture, se reposent et se reproduisent, et comment les coléoptères bousiers roulent, se réorientent, volent et aménagent leurs balles de nourriture. En termes mathématiques, leurs comportements se traduisent par des stratégies de recherche flexibles qui explorent largement au départ, puis se concentrent sur les régions prometteuses de l’espace des paramètres. En couplant l’APO et le DBO au LSTM, l’étude crée deux modèles hybrides — LSTM‑APO et LSTM‑DBO — qui recherchent automatiquement les combinaisons d’hyperparamètres offrant les prévisions d’évaporation les plus fiables.

Tester les modèles dans un paysage en forme de mousson

L’équipe évalue ces méthodes en utilisant 40 ans de données de deux stations météorologiques du sud‑est de la Chine, une région de mousson composée de lacs, rizières et d’inondations et sécheresses fréquentes. Ils reproduisent délibérément des contraintes réelles en testant plusieurs stratégies de division des données, où entre 70 et 80 pour cent des séries servent à l’entraînement et le reste aux tests. Ils examinent aussi différentes combinaisons d’entrées — la température seule ou la température plus le rayonnement — pour voir avec combien peu d’informations les modèles peuvent fonctionner tout en maintenant de bonnes performances. La qualité des prévisions est jugée à l’aide de mesures statistiques courantes d’erreur et d’ajustement, et par des contrôles visuels tels que des nuages de points, des diagrammes de Taylor et des graphiques en violon comparant les évaporations observées et prédites.

Des prévisions plus nettes grâce à un réglage inspiré de la nature

Sur les deux stations et l’ensemble des stratégies de division des données, les réseaux améliorés par APO et DBO surpassent systématiquement le LSTM standard et les hybrides antérieurs qui utilisaient des optimiseurs plus établis. Dans le meilleur cas pour la première station, le modèle LSTM‑APO a réduit de près de moitié des mesures d’erreur clés et a considérablement resserré la correspondance entre évaporation observée et prédite. À la deuxième station, il a de nouveau réduit les erreurs d’environ 40 % et augmenté les indices de compétence prédictive. LSTM‑DBO a également obtenu des améliorations substantielles — réduisant typiquement les erreurs de 20 à 30 % — tout en produisant des prévisions plus stables d’une configuration de test à l’autre. Une conclusion pratique importante est que plus d’entrées ne sont pas toujours meilleures : dans de nombreux cas, des combinaisons simples de température minimale et maximale ont surpassé des modèles utilisant aussi un rayonnement idéalisé, soulignant que des variables soigneusement choisies et largement disponibles peuvent suffire si elles sont associées à un réseau profond bien réglé.

Ce que cela signifie pour la gestion de l’eau dans un monde changeant

Pour les non‑spécialistes, la leçon est simple : en combinant un réseau neuronal conscient du temps avec des routines de recherche ingénieuses inspirées du vivant, il est possible de prévoir la rapidité d’évaporation des surfaces ouvertes en n’utilisant qu’une petite quantité d’informations climatiques. Les modèles LSTM‑APO et LSTM‑DBO ne modifient pas la physique de l’évaporation, mais ils apprennent son comportement typique dans une région donnée plus précisément que les outils antérieurs, même lorsque les données sont limitées. Cela peut soutenir de meilleures décisions pour l’exploitation des réservoirs, la planification de l’irrigation et la préparation aux sécheresses dans des régions pauvres en données. Les auteurs suggèrent que des travaux futurs devraient tester ces hybrides en conditions opérationnelles et sur une gamme plus large de climats, et intégrer davantage d’éléments météorologiques tels que le vent et l’humidité. Néanmoins, les résultats actuels montrent déjà que des « protozoaires » et des « coléoptères bousiers » en code peuvent aider à protéger des ressources en eau bien réelles sur le terrain.

Citation: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

Mots-clés: évaporation au bassin, apprentissage profond, optimisation métaheuristique, ressources en eau, données climatiques