Machine Learning et Phytoplancton nuisible : définition des états environnementaux favorables aux efflorescences, et développement d’un système expert de prévision, d’alerte et d’aide à la décision.

Machine Learning and Harmful Phytoplankton: Definition of Environmental States Favorable for Blooms, and Development of an Expert Forecasting , Warning, and Decision-Making System.

• Auteur / Autrice : Raed Halawi ghosn
• Direction : Alain Lefebvre, Emilie Poisson caillault
• Type : Projet de thèse
• Discipline(s) : Sciences de la Mer - Biologie et écologie
• Date : Inscription en doctorat le ; Soutenance le 18/09/2024
• Etablissement(s) : Littoral
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : LERB - Laboratoire Environnement Ressources de Boulogne-sur-Mer
• Jury : Président / Présidente : Eric Thiebaut
• Jury : Examinateurs / Examinatrices : Alain Lefebvre, Pascal Claquin, Anouk Blauw, Emilie Poisson-caillault, Laurent Coppola
• Jury : Rapporteurs / Rapporteuses : Pascal Claquin, Laurent Coppola

Mots clés

Mots clés libres

Machine Learning

Phytoplancton

Eutrophisation

Algues nuisibles

Observation intégrée

Système de prévision

Machine Learning

Phytoplankton

Eutrophication

Harmful algal bloom

Integrated observation

Forecasting system

Résumé

Le phytoplancton est constitué de l’ensemble des organismes photosynthétiques présents à la base de la chaîne alimentaire. Il soutient les niveaux trophiques supérieurs et joue un rôle crucial dans les cycles biogéochimiques. Sa biomasse peut augmenter lorsque des conditions favorables, telles que la lumière et les nutriments, sont disponibles, conduisant à des efflorescences algales toxiques et/ou nuisibles (HABs) et pouvant être liées à l'eutrophisation. Les HABs peuvent être à l’origine de la présence de toxines dans l'eau, provoquant la mort de certains organismes marins et impactant la biodiversité marine. Ils peuvent également impacter l'économie et les activités récréatives, et avoir des effets néfastes sur la santé humaine lorsque des coquillages contaminés sont consommés. L'objectif de cette thèse est de développer un système numérique expert capable de prédire les HABs et d'alerter les professionnels de la mer, les gestionnaires de l’environnement et les décideurs dans trois régions principales : (1) la Manche orientale, (2) la Manche centrale et (3) la mer d'Iroise. Pour atteindre cet objectif, une approche intégrée multi-source, multi-paramètre, multi-critère, multi-échelle et multi-fréquence est adoptée, combinant des données in situ, satellitaires et de modélisation. Plusieurs étapes de traitement ont été effectuées sur les données avec notamment la correction des décalages temporels et la complétion des valeurs manquantes, l'optimisation de la phase de contrôle qualité des données. Une fois validés et qualifiés, les jeux de données utilisés dans ces travaux ont été classifiés en utilisant l'algorithme de clustering spectral multi-niveaux (M-SC). Par ailleurs, au regard des connaissances acquises et inspiré par le concept du Mandala de Margalef, un nouveau diagramme de Margalef étendu a été développé. Les groupes (clusters) obtenus, donc les états environnementaux caractéristiques de la dynamique des efflorescences algales, ont ensuite été étiquetés en lien avec les experts des régions étudiées. Ensuite, l'algorithme de «Random Forest» (RF) a été utilisé pour développer un modèle capable de prédire les groupes donc les états environnementaux à partir de nouveaux jeux de données. Il est important de souligner que la nouveauté de ce système de prévision et d’alerte réside dans le concept semi-supervisé combinant l'algorithme non supervisé (M-SC) avec un modèle de type «Random Forest». Nos résultats indiquent que le M-SC est capable de révéler plusieurs états environnementaux tels que les événements récurrents, rares et extrêmes, y compris les efflorescences algales nuisibles. Nous montrons également que la forêt aléatoire a permis d’obtenir des résultats pertinents pour la prédiction des états environnementaux à 2, 4, 7 et 10 jours.

Phytoplankton are photosynthetic organisms present at the base of the food web. They support higher trophic levels and play a crucial role in the global biogeochemical cycles. Their biomass may increase when favorable conditions, such as light and nutrients, are available, leading to harmful and/or toxic algal blooms and causing eutrophication. HABs can release toxins into the water, causing massive fish death and reducing marine biodiversity. They can also affect economics and recreational activities, and humans when contaminated shell fish are consumed. Our objective in this study is to develop a forecasting system that can predict HABs and warn shell fish farmers in three main regions: (1-) the eastern English Channel, (2-) the central English Channel, and (3-) the Atlantic Sea of Iroise. To achieve this purpose, an integrated multi-source, multi-parameter, multi-criteria, multi-scale and multi-frequency approach is adopted here, combining in-situ, satellite and modelling data. Several data preprocessing steps were performed, including Quality Code (QC) extraction and correction, time alignment and data completion of missing values. Once processed and validated, the datasets used in this work were clustered using the multi-level spectral clustering (M-SC) algorithm. In addition, based on the knowledge acquired and inspired by the Margalef Mandala concept, a new extended Margalef diagram was developed. The resulting clusters, i.e. environmental states characteristic of algal bloom dynamics, were then labelled in conjunction with experts from the regions studied. Then, the Random Forest (RF) algorithm was used to develop a model capable of predicting clusters, and hence environmental states, from new datasets. It is important to highlight that the novelty of this forecasting and warning system lies in the semi-supervised concept combining the unsupervised algorithm (M-SC) with Random Forest. Our results indicate that M-SC is capable of revealing several environmental states such as recurrent, rare and extreme events, including harmful algal blooms. We also show that Random Forest provide relevant results for the prediction of environmental states at 2, 4, 7 and 10 days.