L'IA au service de l'environnement : innovations du pôle Toulousain

Toulouse, septembre 2025 – La journée de lancement du programme AI4ENV révèle comment l’intelligence artificielle transforme notre capacité à comprendre et protéger notre environnement. Les innovations présentées par les acteurs toulousains démontrent le potentiel de l’IA pour répondre aux défis écologiques majeurs, de la conservation de la biodiversité au monitoring climatique global.

Cette initiative s’inscrit dans la stratégie d’ANITI (Artificial and Natural Intelligence Toulouse Institute), centre d’excellence en IA de confiance dirigé par Serge Gratton, qui fédère 300 membres d’équipe, 19 chaires de recherche et 8 programmes intégratifs avec un budget de 90 millions d’euros. L’originalité d’ANITI réside dans son approche de l’IA de confiance pour des applications critiques, combinant recherche fondamentale (architectures d’apprentissage, apprentissage multimodal) et attributs essentiels (explicabilité, robustesse, frugalité) dans trois domaines intégratifs majeurs : transport, industrie 4.0 et environnement.

Dans cet article, nous présenterons différents cas d’application : Météorologie, Océanographie et Agroécologie. Nous aborderons ensuite les nouvelles avancées technologiques dans ce domaine, Physics-Informed Learning et Foundation Model notamment.

Météorologie et climat – L’IA hybride face aux événements extrêmes

Le nouveau paradigme de la prévision météorologique

Historiquement, les prévisions météorologiques reposaient exclusivement sur des modèles physiques complexes (NWP, Numerical Weather Prediction). Ces modèles simulent les lois de la thermodynamique et de la mécanique des fluides pour prédire l’évolution de l’atmosphère. Ces modèles, fruit de décennies de recherche en physique atmosphérique, ont longtemps constitué le gold standard de la prévision météorologique.

Cependant, ces dernières années ont vu émerger un changement de paradigme radical, porté par de nouveaux acteurs issus de la tech (Google, Huawei, NVIDIA, Microsoft). Ces derniers ont développé avec succès des approches basées purement sur le Machine Learning. Elles exploitent la puissance du deep learning et les vastes archives de données météorologiques historiques.

Ces modèles « data-driven » se révèlent souvent plus précis pour les prévisions générales. Surtout, ils sont beaucoup moins gourmands en puissance de calcul au moment de la prédiction (l’inférence). Ils représentent une avancée significative dans l’efficacité opérationnelle de la prévision météorologique.

Cependant, malgré leurs performances impressionnantes, ces modèles ML présentent deux défis majeurs qui limitent leur adoption complète dans les systèmes opérationnels critiques :

1. La quantification de l’incertitude

Il est plus difficile d’évaluer et de quantifier l’incertitude de leurs prédictions. Or cette quantification est primordiale pour une gestion maîtrisée du risque. Particulièrement dans les domaines où les prévisions informent des décisions critiques pour la sécurité publique.

2. Les événements extrêmes

Ils peinent à anticiper les événements extrêmes (ouragans, inondations soudaines, canicules). Par nature rares, ces phénomènes sont sous-représentés dans les données d’entraînement. Ceci les rend difficiles à appréhender pour une approche purement statistique. Or, ce sont précisément ces événements qui ont les conséquences humaines et matérielles les plus graves.

On comprend alors que les modèles ML, bien que prometteurs et performants sur les cas standards, peinent encore à répondre pleinement à tous les enjeux de la prédiction météorologique opérationnelle.

Critère	Modèles Physiques (NWP)	Modèles IA (Data-Driven)
Puissance de calcul (inférence)	Très élevée	Faible
Précision générale	Élevée	Souvent supérieure
Événements extrêmes	Plus fiables (lois physiques)	Faible (données rares)
Quantification de l’incertitude	Bien maîtrisée	Complexe à évaluer
Explicabilité	Haute (sens physique)	Faible (« boîte noire »)

La solution : l’IA hybride

En comparant ces deux approches, une question s’impose naturellement : pourquoi ne pas combiner les deux ? C’est précisément ce que cherchent à faire les approches dites d’IA hybrides. Elles représentent aujourd’hui la frontière de l’innovation en prévision météorologique.

L’IA hybride ? On en avait déjà parlé ici : Future Intelligence

On voit par exemple des modèles physiques dont certaines composantes sont remplacées ou enrichies par des modules d’IA, permettant d’accélérer les calculs sans sacrifier la cohérence physique. D’autres approches utilisent des algorithmes de ML pour augmenter la précision et la résolution des simulations traditionnelles, notamment dans les zones où les mesures physiques sont manquantes ou peu fiables.

C’est dans ce contexte que s’inscrit la chaire EXPLEARTH (EXPLainable and physics-informed AI for Regional weaTHer prediction). Ce projet prometteur incarne cette vision hybride à travers deux axes complémentaires :

Axe 1 – Développement de modèles ML hybrides :

Développer et évaluer des approches ML innovantes, notamment :

Une version ML du modèle Arome (Arome-AI), référence française de prévision à échelle moyenne.
L’amélioration de la résolution spatiale (downscaling) de prédictions météo par des modèles physiques, permettant de passer d’une prévision régionale à une prévision locale fine

Axe 2 – Explicabilité et analyse :

Se focaliser sur l’analyse des modèles pour garantir leur robustesse et les rendre plus compréhensibles (explainability). Le but ambitieux est de comprendre ce qu’ont réellement appris les modèles ML, pour ensuite améliorer les modèles physiques eux-mêmes. Cette démarche de « model inversion » crée un cercle vertueux d’amélioration mutuelle.

Météorologie spatiale : un cas d’école pour l’IA hybride

Cette démarche hybride trouve un écho dans le domaine de la météo solaire, aussi appelée météorologie de l’espace. Ce secteur, sur lequel travaillent des entités comme l’ONERA (département IA & DPHY Space Weather and Space Climate), fait face à des défis spécifiques. Ces défis rendent l’approche purement physique extrêmement complexe et l’approche purement data-driven insuffisante.

Trois problèmes majeurs se posent dans ce domaine :

La physique des phénomènes solaires n’est pas encore entièrement comprise, ce qui limite la capacité des modèles actuels à la capturer fidèlement. Les processus de génération des éruptions solaires et de propagation du vent solaire impliquent des phénomènes magnéto-hydrodynamiques complexes encore partiellement mystérieux.
Les simulations physiques existantes sont extrêmement lourdes et coûteuses en temps de calcul, rendant difficile leur utilisation pour des systèmes d’alerte en temps réel. Une simulation complète peut prendre des heures, alors que l’événement se propage en quelques dizaines de minutes.
Les données d’observation sont très rares, parcellaires et multimodales, c’est-à-dire de natures très différentes : images solaires dans différentes longueurs d’onde, mesures de particules in situ, signaux radio, mesures magnétiques. Cette hétérogénéité rend difficile l’exploitation optimale de l’information disponible.

L’objectif est d’utiliser le Machine Learning de manière ciblée et intelligente :

D’une part, pour intervenir là où les modèles physiques échouent ou manquent de précision, en apprenant directement des patterns dans les données observées.
D’autre part, pour développer des systèmes d’alerte rapides et opérationnels. Dans de nombreux cas, les simulations physiques sont en effet trop lentes pour fournir une alerte exploitable en temps utile avant un événement solaire potentiellement dangereux.

Cette application de l’IA hybride à la météorologie spatiale démontre comment la combinaison judicieuse des approches physiques et data-driven peut surmonter des limitations qui seraient insurmontables avec une seule approche.

Océans et climat – Surveillance globale à haute résolution

Une nouvelle ère d’observation océanique

L’application de l’IA aux systèmes océaniques approfondit notre compréhension du climat et notre capacité à anticiper ses évolutions. Au cœur de ce changement se trouvent les missions satellitaires de nouvelle génération. En particulier le SWOT (Surface Water and Ocean Topography) et son instrument KaRIn (Ka-band Radar Interferometer).

Les missions récentes, fournissent des cartes bidimensionnelles de la hauteur de surface de la mer à une résolution et une couverture spatiale plus précise. Elles sont capables de voir des structures à des échelles qu’on ne pouvait qu’imaginer avec les précédents altimètres.

Ces nouvelles mesures ouvrent deux portes à la fois :

Une capacité d’observation plus fine des phénomènes océaniques
Une possibilité de repenser la façon dont on intègre ces données massives et complexes dans des modèles numériques déjà coûteux

Des approches traditionnelles aux approches hybrides

Modèles physiques et assimilation : L’approche physique

Les systèmes numériques océaniques reposent sur les lois fondamentales de la dynamique des fluides et sur des modèles numériques sophistiqués développés sur plusieurs décennies. L’assimilation de données joue le rôle de super-intégrateur des observations. Elle recale continuellement la trajectoire d’un modèle en fonction des mesures disponibles et a littéralement transformé la prévision et la reconstitution historique de l’océan. Ces systèmes sont aujourd’hui opérationnels, robustes et constituent l’épine dorsale des services océanographiques mondiaux.

Cependant, des limites pratiques importantes doivent être gardées à l’esprit. Ces codes sont très gourmands en temps de calcul, et bien que performants, ils ne sont pas parfaits. Ils peuvent mal positionner certaines structures, avoir des biais systématiques dans certaines régions, ou manquer de résolution pour capturer les phénomènes fins.

Modèles de Machine Learning : l’approche prédictive

À l’autre extrémité du spectre, les réseaux de neurones appliqués aux produits satellitaires excellent pour des tâches concrètes et ciblées. Par exemple : débruitage des images, interpolation spatiale et temporelle, fusion multi-capteurs, réanalyse locale de champs manquants. Ils sont beaucoup plus légers et rapides que les modèles physiques et peuvent directement capitaliser sur les observations et produits des nouveaux satellites

Cependant, leur dépendance à la qualité et à la couverture des données d’entraînement les empêche de représenter l’ensemble des processus océaniques complexes et limite leur capacité d’extrapolation hors distribution. Un réseau entraîné sur des conditions normales peut échouer complètement face à un événement exceptionnel.

L’IA hybride océanographique : architecture et applications

C’est ici qu’intervient l’approche hybride développée notamment par CLS en collaboration avec IMT-Atlantique. La reconstruction des océans qu’ils développent combine modèles physiques et deep learning pour cartographier en temps réel température, salinité et courants à l’échelle globale. Ces modèles facilitent la détection des vagues de chaleur marines (événements de plus en plus fréquents avec le réchauffement climatique). Ils permettent d’améliorer les prédictions climatiques.

Dans les cas d’usage actuellement étudiés par CLS et IMT-Atlantique :

Correcteurs d’erreur : Un réseau neuronal apprend le biais résiduel systématique du modèle physique et l’applique en correction à la volée pendant la simulation. Particulièrement utile pour recentrer localement les structures océaniques qui peuvent être “décalées”.
Substituts ML ultra-rapides : Remplacer des composants particulièrement coûteux en calcul (comme certaines paramétrisations physiques complexes) par un substitut ML qui reproduit leur comportement.
Fusions multi-observations : Architectures CNN ou transformers avec mécanismes d’attention pour fusionner intelligemment les nouvelles données d’altimétrie haute résolution avec d’autres sources. Par exemple : température de surface de la mer satellitaire, profils in situ de température et salinité (flotteurs Argo), courantométrie, etc.

Agroforesterie et biodiversité – Cartographie des oasis écologiques

Révéler l’invisible : les infrastructures agro-écologiques

L’application de l’IA à la caractérisation des paysages agriforestiers marque une évolution dans notre compréhension et notre gestion des territoires ruraux. La cartographie automatisée des infrastructures agro-écologiques: haies, bosquets, prairies permanentes permet désormais d’identifier et de répertorier avec une précision inédite ces éléments cruciaux mais discrets pour la connectivité écologique et la préservation de la biodiversité.

Ces petites structures paysagères ont longtemps été négligées dans les approches de conservation traditionnelles. Ces approches se focalisaient sur les grandes forêts et les aires protégées. Aujourd’hui les petites structures révèlent leur importance capitale comme véritables oasis de préservation de la biodiversité en milieu agricole. Les haies, en particulier, constituent des corridors écologiques essentiels. Ce sont des zones refuges pour de nombreuses espèces. Elles jouent un rôle clé dans la régulation du climat local, la protection des sols et la qualité de l’eau.

Grâce aux progrès de la télédétection satellitaire (résolution spatiale de plus en plus fine) et des algorithmes (notamment les architectures de segmentation sémantique), ces zones peuvent maintenant être identifiées, cartographiées et leur évolution suivie de manière systématique et reproductible sur de vastes territoires.

Remonter le temps pour informer l’avenir

Au-delà de cette cartographie de l’état présent, les innovations en intelligence artificielle permettent désormais de reconstituer l’évolution historique des paysages agriforestiers en analysant des images d’archives, révélant les dynamiques de déforestation, d’intensification agricole et de fragmentation des habitats sur plusieurs décennies. Cette capacité à « remonter le temps » s’avère cruciale pour informer les décisions d’aménagement actuelles et futures.

L’architecture SegCycleGAN développée par l’équipe DYNAFOR (Dynamiques et écologie des paysages agriforestiers) illustre parfaitement cette capacité innovante. Cette architecture de deep learning exploite des techniques d’apprentissage non supervisé (CycleGAN) combinées à de la segmentation sémantique pour analyser des images d’archives historiques non appariées. C’est-à-dire, sans avoir besoin de disposer de cartes historiques annotées manuellement pour chaque période.

Le modèle apprend à traduire les images anciennes (souvent en noir et blanc, de résolution variable, avec des conditions d’acquisition différentes) en cartes d’occupation du sol comparables aux cartes actuelles. Cette capacité permet de reconstituer l’évolution du paysage, révélant :

Les zones où les haies ont massivement disparu lors des remembrements agricoles
Les dynamiques de fermeture de paysages (enfrichement) ou au contraire d’ouverture (défrichement)
Les trajectoires d’intensification ou d’extensification agricole
Les impacts des politiques publiques successives sur les structures paysagères

Cette compréhension fine des trajectoires écologiques territoriales permet aux planificateurs et décideurs de saisir les processus de transformation paysagère de long terme et d’anticiper leurs conséquences sur la biodiversité et les services écosystémiques (pollinisation, régulation des ravageurs, qualité de l’eau, stockage carbone).

Cartographier les forêts anciennes, sanctuaires de biodiversité

Parallèlement à cette approche historique des paysages agricoles, la cartographie automatisée de la maturité des vieilles forêts représente un enjeu majeur pour la conservation de la biodiversité forestière. Ces écosystèmes forestiers matures ou sénescents ne représentent aujourd’hui que moins de 2% de la surface forestière européenne. Cependant, ils constituent des réservoirs de biodiversité absolument critiques.

Les vieilles forêts se caractérisent par :

Une structure verticale complexe avec plusieurs strates de végétation
La présence de bois mort au sol et sur pied, habitat essentiel pour des milliers d’espèces
De vieux arbres de gros diamètre, microhabitats irremplaçables
Une diversité d’essences et de microhabitats (cavités, écorces décollées, champignons)
Des processus écologiques naturels peu perturbés

L’identification automatisée de ces forêts via des données LiDAR (qui mesurent la structure 3D de la végétation), des images satellitaires multispectrales et des algorithmes de classification sophistiqués permet de les cartographier systématiquement. Ces approches guident les stratégies de conservation en identifiant précisément :

Les zones forestières à très haute valeur écologique nécessitant une protection stricte
Les forêts en voie de maturation qui pourraient être laissées en libre évolution
Les opportunités de restauration écologique dans des zones dégradées
Les réseaux de connectivité entre îlots de vieilles forêts

De nouvelles approches technologiques

Au-delà de ces cas d’usage concrets, trois innovations viennent redéfinir les contours de l’IA au service de l’environnement.

Physics-Informed Learning : Réconcilier nos connaissances physique et IA

Le physics-informed learning représente l’une des innovations les plus prometteuses de l’IA environnementale. Cette approche hybride, illustrée par les Physics-Informed Neural Networks (PINNs) développés à l’ONERA et les travaux de la chaire EXPLEARTH, intègre directement des contraintes physiques dans l’architecture et la fonction de perte des réseaux de neurones.

Le principe fondamental : Plutôt que de laisser le réseau apprendre librement des patterns statistiques, on lui impose de respecter certaines équations différentielles, lois de conservation ou principes de symétrie issus de la physique du problème. Concrètement :

Contraintes dures : L’architecture satisfait automatiquement les contraintes (ex: conservation de la masse)
Contraintes souples : La fonction de perte pénalise les violations des lois physiques
Composants hybrides : Certaines parties sont des modules physiques explicites, d’autres des réseaux de neurones

Les avantages décisifs :

La capacité d’apprentissage de l’IA pour capturer des patterns complexes et non-linéaires
La robustesse théorique des modèles physiques pour garantir la cohérence scientifique
L’explicabilité : contrairement aux « boîtes noires », ces modèles sont fondés sur des lois naturelles vérifiables, crucial pour la validation scientifique et l’acceptation opérationnelle

Le physics-informed learning excelle particulièrement dans la gestion des incertitudes et événements extrêmes. Les modèles physiques conservent leur supériorité lors d’événements rares en s’appuyant sur des principes fondamentaux valides même dans des conditions jamais observées, tandis que l’IA pure peut échouer sur des événements hors distribution. L’hybridation permet une répartition intelligente des rôles selon les contextes.

La révolution des Foundation Models pour l’Earth Observation

Les foundation models (alphaearth, terramind ) représentent une rupture paradigmatique. Au lieu d’entraîner un modèle spécialisé par tâche, on développe des modèles génériques capables de résoudre des tâches variées. Une fois le modèle fondation obtenu (au prix d’un entraînement initial massif), il devient beaucoup plus facile de développer de nouvelles capacités en s’appuyant sur les connaissances générales acquises.

Le modèle SATLAS, utilisé par CLS pour la détection d’éléments ligneux, illustre cette évolution spectaculaire. Du ML traditionnel nécessitant des dizaines de milliers d’annotations, on passe à seulement 10 000 vignettes labelisées pour une adaptation fine. Cette réduction drastique du besoin en données annotées résout un problème critique : la rareté des données expertes dans de nombreux domaines géoscientifiques.

La spécialisation nécessaire : Contrairement au texte ou à l’image naturelle, les données géospatiales nécessitent des architectures adaptées aux multiples modalités : visuel (RGB), hyperspectral (centaines de bandes), radar (SAR), LiDAR (nuages 3D), chacune avec ses spécificités physiques uniques.

DYNAFOR évoque la perspective de foundation models multi-modaux. Ils permettent la généralisation à différentes régions, échelles et capteurs, révolutionnant potentiellement l’écologie du paysage par des analyses comparatives globales avec méthodologies unifiées.

Chaque modalité capture des aspects spécifiques complémentaires : le visible et le proche infrarouge pour la végétation, l’hyperspectral pour la composition chimique, le radar pour la structure, le LiDAR pour la topographie 3D. Aucune modalité seule ne peut capturer l’intégralité de l’information.

L’architecture MIPANet (DYNAFOR) utilise des mécanismes de cross-attention pour orchestrer cette complémentarité. Ces architectures Transformer permettent de :

Pondérer dynamiquement l’importance de chaque modalité selon le contexte
Identifier automatiquement quelles modalités sont les plus informatives
Gérer élégamment les données manquantes (nuages pour l’optique)
Extraire des patterns de corrélation inter-modales subtils

Collaboration entre modèles physiques et modèles ML

Une nouvelle approche cherche à aller plus loin que l’explicabilité, au sens classique, en transformant la relation entre modélisation physique et Machine Learning:

Les modèles physiques fournissent contraintes et structure scientifique à l’IA
L’IA révèle des patterns dans les données et identifie les erreurs systématiques des modèles physiques
Ces insights sont réinjectés pour améliorer les modèles physiques eux-mêmes
Un cercle vertueux d’amélioration mutuelle se crée

Applications concrètes à l’ONERA : Les travaux sur l’inversion de signaux atmosphériques démontrent cette capacité. En analysant systématiquement les écarts entre prédictions physiques et observations, puis en utilisant l’IA pour identifier les patterns, les chercheurs peuvent découvrir des processus physiques négligés ou mal paramétrés et raffiner les modèles.

Inférence sur données incomplètes : Une nouveauté réside dans la capacité d’inférence robuste sur données incomplètes. Les modèles IA excellent à produire des résultats cohérents là où les modèles physiques nécessitent des datasets complets. Cette capacité permet de combler les gaps observationnels en s’appuyant sur les patterns appris et les contraintes physiques.

Performance opérationnelle : La chaire EXPLEARTH démontre avec ses émulateurs météorologiques la capacité d’inférence quasi temps-réel des modèles ML : plusieurs ordres de magnitude plus rapide que les modèles physiques traditionnels. Là où une prévision physique nécessite des heures sur supercalculateur, l’émulateur ML produit une prévision équivalente en quelques secondes. Ces approches facilitent les usages pour les applications critiques temps-réel.

Conclusion

L’écosystème toulousain démontre la complémentarité entre IA et approches scientifiques traditionnelles. L’hybridation des modèles de Machine Learning et des modèles physiques permet d’identifier des patterns complexes tout en maintenant la cohérence avec les lois physiques et en quantifiant les incertitudes.

Les travaux menés identifient trois axes de recherche majeurs :

Gestion de l’incertitude : associer la robustesse des modèles physiques et l’efficacité du ML pour développer des systèmes fiables dans des conditions variées
Explicabilité : assurer la transparence et l’interprétabilité des modèles hybrides, particulièrement pour les applications critiques
Adaptation au changement climatique : maintenir la performance des modèles face à des conditions climatiques inédites, hors de la distribution des données d’entraînement

ANITI coordonne cette dynamique territoriale en développant une IA de confiance pour des applications critiques, articulant recherche fondamentale sur les architectures d’apprentissage et développement d’applications opérationnelles dans trois domaines : transport, industrie 4.0 et environnement.

L’IA au service de l’environnement : innovations du pôle Toulousain

Auteurs

Partager