Au cœur du sud-est marocain, des chercheurs ont conçu un modèle scientifique capable de prédire et d’expliquer la qualité des eaux du bassin du Ziz. Fondée sur les principes de l’intelligence artificielle explicable, leur étude associe rigueur environnementale et transparence algorithmique offrant aux gestionnaires publics un instrument de lecture inédit de la ressource hydrique.
Dans un travail scientifique d’une rare précision, une équipe de chercheurs marocains a entrepris d’appliquer les méthodes les plus récentes de l’intelligence artificielle explicable à l’étude de la qualité de l’eau dans le bassin du Ziz, région semi-aride du sud-est du royaume. Les auteurs expliquent que «l’eau couvre environ 71 % de la surface terrestre, mais à peine 2,5 % en est douce et moins d’un pour cent directement accessible à l’usage humain», une proportion qui souligne «la nécessité vitale d’en préserver chaque ressource». Selon eux, la protection et l’évaluation des eaux disponibles ne relèvent plus seulement des techniques classiques, mais d’une approche intégrée où la donnée, l’algorithme et la transparence interprétative se conjuguent.
L’étude, intitulée Explainable AI-Driven Water Quality Assessment Using Ensemble Learning and SHAP: A Case Study in the Ziz Basin, Morocco, a été réalisée par Sara Bouziane et Badraddine Aghoutane (Université Moulay Ismail, Meknès), Aniss Moumen (Université Ibn Tofail, Kénitra), Anas El Ouali (Université Mohammed V, Rabat), Ali Essahlaoui et Abdellah Elhmaidi (Université Moulay Ismail). Leurs affiliations universitaires couvrent ainsi la géomatique, la géologie et l’informatique appliquée, attestant d’un effort collectif où convergent science des données et observation du terrain.
Méthodes d’apprentissage et paramètres environnementaux
Les chercheurs rappellent que «dans les régions arides et semi-arides comme le bassin du Ziz, l’accès à l’eau salubre est particulièrement menacé par la pollution agricole, les rejets industriels et l’expansion urbaine rapide», phénomènes qui détériorent les écosystèmes et mettent en péril la santé humaine. La multiplication des usages et la raréfaction de la ressource imposent, selon eux, «des systèmes d’évaluation à la fois fiables, évolutifs et compréhensibles», capables d’intégrer la complexité des phénomènes hydrologiques. Les méthodes classiques de laboratoire, fondées sur des prélèvements et des comparaisons manuelles avec les normes environnementales, restent pertinentes, mais «elles exigent un effort humain considérable et ne peuvent assurer une surveillance continue à grande échelle».
C’est dans ce cadre que l’intelligence artificielle, et plus précisément l’apprentissage automatique (Machine Learning, ML), offre des perspectives inédites. L’article indique que «l’IA et le ML se sont imposés comme de puissants instruments d’analyse environnementale, permettant des prédictions précises et fondées sur les données» : la qualité d’une eau peut être résumée par un indice composite, le Water Quality Index (WQI), qui agrège plusieurs variables physico-chimiques. Toutefois, les auteurs soulignent que «les modèles les plus performants, notamment les réseaux de neurones profonds et les algorithmes d’ensemble, souffrent d’une opacité intrinsèque» : leurs résultats sont exacts mais peu explicables, ce qui en limite l’usage administratif et réglementaire. Cette difficulté a suscité le développement de l’intelligence artificielle explicable (Explainable AI, XAI), dont l’objet est de «rendre les modèles transparents, interprétables et donc utilisables par les décideurs».
Les auteurs précisent que leur étude «se propose de concevoir un dispositif d’apprentissage explicable appliqué à la prédiction de la qualité de l’eau», centré sur le bassin du Ziz. Leur démarche suit un processus séquentiel : les données collectées sont traitées par des modèles d’apprentissage, les prédictions interprétées par une méthode fondée sur les valeurs de Shapley (SHAP), puis ces interprétations servent à orienter les décisions de gestion. L’objectif n’est donc pas seulement de prédire mais de comprendre pourquoi une eau est déclarée propre ou polluée.
Ils rappellent que «le bassin du Ziz, qui s’étend dans la province d’Errachidia au sein de la région de Drâa-Tafilalet, couvre environ 14 411 km²». Il est délimité au nord par les massifs du Haut Atlas oriental et au sud par les premières collines de l’Anti-Atlas. Les altitudes y varient fortement, de plus de 3 000 mètres à moins de 1 200 mètres à la sortie du bassin, ce qui engendre une grande diversité hydrologique. Le climat y est «semi-aride à aride, avec des précipitations annuelles oscillant entre 120 mm et 250 mm», tandis que «les étés dépassent souvent les 40 °C» et que «les hivers connaissent des minima inférieurs à zéro degré». Ces contrastes extrêmes, ajoutent-ils, accentuent «les phénomènes d’évapotranspiration, qui peuvent atteindre 460 mm par an», et accroissent la dépendance des habitants aux nappes souterraines.
Leur diagnostic est sévère : «le bassin du Ziz subit une instabilité hydro-climatique croissante, aggravée par la surexploitation des eaux et par l’aridification progressive du milieu». Les analyses menées dans la région voisine du Draa montrent déjà «des niveaux de salinité dépassant les seuils admissibles pour l’irrigation et l’eau potable dans 35 % des sites étudiés». La population, confrontée à la rareté et à la dégradation de la ressource, exprime «une insatisfaction croissante quant à la quantité et à la qualité de l’eau disponible».
Construction du modèle et analyse explicative
Le jeu de données réuni pour cette recherche comporte «80 stations d’observation couvrant l’ensemble du bassin», chacune fournissant 25 paramètres physico-chimiques ou traces métalliques : température, pH, conductivité électrique, oxygène dissous, turbidité, demande chimique en oxygène (DCO), demande biochimique en oxygène sur cinq jours (DBO5), concentrations en ions (bicarbonates, chlorures, nitrates, sulfates, etc.) et métaux (zinc, plomb, cadmium, nickel, fer, cuivre). Les valeurs de solides dissous totaux (TDS) sont calculées à partir de la conductivité selon la relation : TDS = EC × 0,64. Toutes les mesures ont été normalisées et le jeu de données ne comporte aucune valeur manquante, ce qui permet une exploitation directe par apprentissage automatique.
Le WQI a été calculé selon la méthode arithmétique pondérée : chaque paramètre est rapporté à sa norme maximale autorisée (selon les standards du ministère de l’eau et de l’environnement et ceux de l’Organisation mondiale de la santé) et reçoit un poids proportionnel à sa toxicité. La qualité finale de l’eau se divise en cinq classes : «excellente, bonne, médiocre, très médiocre et impropre à la consommation». Cette classification a servi de base aux modèles prédictifs.
Pour estimer le WQI à partir des variables, les chercheurs ont testé trois algorithmes d’ensemble : la forêt aléatoire (RF), le gradient boosting extrême (XGBoost) et la régression par gradient boosting (GBR). Ces méthodes, expliquent-ils, «sont capables de saisir les relations non linéaires entre de nombreux paramètres environnementaux». La GBR, en particulier, construit une succession d’arbres de décision en corrigeant les erreurs du précédent, et s’adapte à la complexité des données hydrologiques. Après évaluation par les métriques usuelles (MAE, RMSE, R²), le modèle de gradient boosting s’est distingué : «il atteint un coefficient de détermination R² de 0,91, une erreur quadratique moyenne de 11,47 et une erreur absolue moyenne de 8,53». Ces valeurs attestent «une grande fidélité du modèle à la réalité mesurée».
C’est ce modèle que les chercheurs ont soumis à l’analyse explicative par la méthode SHAP, fondée sur la théorie des jeux : chaque variable se voit attribuer une valeur φ qui représente sa contribution à la prédiction. La somme des φ constitue la prédiction totale, ce qui permet «d’identifier la part exacte de chaque paramètre dans la qualité estimée de l’eau».
Les résultats sont éloquents : «le plomb, le cadmium et le nitrate apparaissent comme les trois déterminants majeurs du WQI». Ces substances, issues respectivement des activités industrielles, des engrais phosphatés et du ruissellement agricole, «sont les principaux agents de dégradation de l’eau». Les valeurs SHAP les plus élevées leur reviennent, confirmant le lien entre pollution anthropique et dégradation des milieux aquatiques. D’autres composés – la DBO5, le sodium, le nickel – montrent une influence moyenne mais non négligeable, tandis que la température et certains ions mineurs contribuent faiblement.
L’intérêt de la méthode réside dans sa double portée : «elle fournit une interprétation globale, valable pour l’ensemble du bassin, et locale, propre à chaque station». On peut ainsi, pour une station donnée, visualiser comment tel paramètre fait monter ou baisser la note de qualité : «le plomb et le cadmium agissent comme des forces négatives, tirant le WQI vers des valeurs faibles». Inversement, une forte teneur en oxygène dissous ou en bicarbonates exerce un effet stabilisateur.
Dans la hiérarchie finale dressée par les auteurs, «le plomb présente la valeur SHAP moyenne la plus élevée (30,01), suivi du cadmium (7,34) et du nitrate (4,26)». Viennent ensuite la DBO5, le sodium, le nickel, la température, le fer, le chlorure et le bicarbonate. Chacun de ces paramètres possède une signification environnementale précise : le plomb provient souvent des conduites corrodées ou des rejets industriels, le cadmium des engrais et de l’activité minière, les nitrates de l’agriculture intensive, tandis qu’une DBO5 élevée traduit «une charge organique importante et la présence d’eaux usées». Le sodium et le chlorure témoignent d’une salinisation croissante, liée aux eaux d’irrigation, et le fer, par altération naturelle, modifie le goût et la turbidité.
Les auteurs relèvent que «la transparence du modèle et la cohérence des explications renforcent la confiance des parties prenantes», en leur permettant de relier chaque prédiction à une cause identifiable.
Perspectives et portée environnementale
Le texte insiste sur la portée méthodologique de cette approche : «l’intégration de l’intelligence artificielle explicable améliore la transparence et permet des actions fondées sur les données». L’étude ne se limite pas à l’exercice scientifique ; elle propose un cadre d’action concret pour les gestionnaires publics. Les modèles prédictifs, associés aux capteurs de terrain, peuvent fournir une évaluation en temps réel des zones à risque, et anticiper les épisodes de contamination. Dans un environnement où «les ressources en eau sont de plus en plus sollicitées et où les moyens de contrôle demeurent limités», cette précision algorithmique devient un outil d’aide à la décision.
Les chercheurs ajoutent que «le recours aux modèles d’ensemble, conjugué à l’explicabilité SHAP, offre un compromis rare entre performance et lisibilité». En ce sens, le travail du groupe marocain s’inscrit dans la mouvance scientifique internationale la plus avancée. Plusieurs études antérieures, rappellent-ils, ont appliqué ces techniques à d’autres bassins : au réservoir de Qingcaosha en Chine, dans la vallée de la Moulouya au Maroc, ou encore sur des nappes phréatiques africaines. Toutes convergent vers la même conclusion : les modèles explicables dépassent la simple prédiction pour devenir des instruments de gouvernance.
Dans la perspective d’un usage généralisé, les auteurs envisagent d’étendre leur approche à «d’autres bassins versants caractérisés par des climats et des usages différents», et d’y intégrer des données de télédétection ou des techniques non supervisées pour la détection d’anomalies. L’architecture retenue, affirment-ils, pourrait servir «de base à des systèmes de suivi en temps réel et à des décisions durables». Ils précisent néanmoins que «les données détaillées de l’étude ne sont pas encore rendues publiques, mais peuvent être communiquées sur demande», signe d’une volonté d’ouverture scientifique.
Ce travail illustre le rôle croissant des universités marocaines dans les disciplines de l’intelligence artificielle environnementale. Par l’usage rigoureux des acronymes WQI (Water Quality Index), SHAP (Shapley Additive Explanations) et XAI (Explainable Artificial Intelligence), la recherche nationale s’aligne sur les standards internationaux tout en les appliquant à des problématiques locales – ici, la survie d’un bassin hydrologique vital.
Enfin, la conclusion des chercheurs résume l’esprit de leur démarche : «La qualité de l’eau est une condition première de la santé publique, de la durabilité agricole et de la stabilité des écosystèmes» ; or, pour la préserver, il faut des outils qui allient exactitude scientifique et intelligibilité sociale. L’intelligence artificielle, à condition d’être explicable, peut devenir ce médiateur entre la science et la décision.