Zoom webinar link.

1. Apprentissage automatique paramétrique vs non-paramétrique pour modéliser la densité de probabilité conditionnelle : application aux blooms de cyanobactéries, Québec, Canada

Outre l'effet complexe du climat changeant sur les événements naturels extrêmes, leur variabilité spatiotemporelle porte souvent l'empreinte des activités anthropiques sur le territoire. De plus, toute synergie induite par ces activités sur le climat apporte une complexité supplémentaire lors de la modélisation des événements extrêmes. Pour les valeurs extrêmes, une non-stationnarité est souvent apparente sous forme de tendance, possiblement due à un climat changeant à long terme, ou en raison d’une variabilité due à des changements spatiotemporels tels que la physiographie, le climat ou les instruments de mesure utilisés. Dans ce contexte, les modèles paramétriques typiquement utilisés dans la modélisation d’événements extrêmes peuvent devenir inadéquats étant donné la complexité des phénomènes étudiés et leurs changements systématiques dans l'espace et le temps.

L’objectif du projet était d’évaluer l'efficacité des méthodes non-paramétriques d'apprentissage automatique (npML) pour estimer et prédire les valeurs extrêmes associées aux événements naturels. Ces méthodes npML sont comparées à une approche d'apprentissage automatique paramétrique (pML) couramment utilisée, un modèle d'analyse fréquentielle non-stationnaire. Nous avons utilisé une base de données historique compilant la fréquence des algues bleu-vert nuisibles au Québec, Canada. Les résultats montrent qu'un algorithme de densité de probabilité conditionnelle à forêt aléatoire RFCDE à 19 covariables conduit à la meilleure estimation moyenne parmi les modèles considérés. Cependant, pour les quantiles faibles et élevés, le modèle paramétrique RCDE à 4 covariables fournit une meilleure concordance entre les fréquences observées et simulées des efflorescences. Les modèles peuvent être utilisés pour évaluer les effets du changement climatique et des développements anthropogéniques sur la fréquence des HAB. Ils peuvent également servir à mesurer l'efficacité des scénarios d'atténuation et à identifier les zones prioritaires pour les stratégies des plans de restauration.

2. Accélérer la transition vers des pratiques hivernales durables, intelligentes et connectées

Bien qu’essentielle au maintien de la sécurité publique, l’application de sel de déglaçage engendre des enjeux environnementaux et économiques majeurs au Canada. Autant pour les administrateurs publics que pour les contracteurs privés, une meilleure gestion devrait passer par une application optimale du sel de déglaçage. Les outils actuellement disponibles afin de déterminer le type et la quantité de sel à épandre sont limités à des tableaux présentant des gammes de quantité à épandre en fonction de gammes de température et d’autres descripteurs météo-routiers. Un rattrapage technologique est nécessaire, d’autant plus que l’interprétation de ces tableaux peut s’avérer complexe et repose souvent sur des décisions subjectives prises au fil du processus de décision. Les pratiques actuelles favorisent ainsi un épandage massif de sel afin d’assurer la sécurité routière des usagers.

L’objectif du projet est de mettre sur pied un projet pilote avec la municipalité de l’Assomption afin de réaliser la preuve de concept d'un dispositif innovant d’aide à la décision (GuiA) permettant l’optimisation de l’épandage de sels de déglaçage et d’abrasifs pour l’entretien hivernal des routes. L’outil innovant basé sur l’intelligence artificielle propose des doses de déglaçants et d’abrasifs en fonction des conditions météo-routières réelles. La sécurité routière sera évaluée au moyen d’un capteur mesurant l’adhérence de la chaussée qui permettra de valider que les recommandations faites par l’outil sont sécuritaires. Un volet de sensibilisation et de vulgarisation sera également mis de l’avant afin d’assurer l’acceptabilité sociale de l’outil IA auprès des citoyens et des cols bleus.