Lutter contre les changements climatiques grâce à l'apprentissage automatique
Le Canada subit les contrecoups des changements climatiques. L'érosion côtière, la fonte du pergélisol, la fréquence accrue des vagues de chaleur, les sécheresses, les incendies de forêt, les inondations, la perturbation des écosystèmes, les dommages causés aux infrastructures et les pertes de récoltes sont autant de difficultés qui pèsent sur des régions du Canada et du monde entier. Les scientifiques du monde entier s'entendent pour dire que l'activité humaine modifie le climat de la Terre d'une façon sans précédent, ce qui comporte des risques considérables pour la santé et la sécurité des gens, mais aussi pour la biodiversité et le progrès économique. Nous devons adopter une approche globale et multidimensionnelle pour nous attaquer au problème. Or, le recours à l'apprentissage automatique pour soutenir la recherche et l'intervention en matière de changements climatiques gagne en popularité.
Les transitions qui s'opèrent dans les domaines des changements climatiques et du numérique représentent les deux plus fortes tendances de notre siècle. La façon dont nous les gérons, ainsi que leur interaction accrue, influera considérablement sur l'avenir de l'humanité. Nous devons trouver des moyens de tirer parti de l'intelligence artificielle pour protéger l'environnement de manière à ne pas miner, mais plutôt soutenir nos meilleures valeurs sociales et démocratiques. [Traduction]
Quelques faits au sujet des changements climatiques au Canada
Qu'est-ce que l'apprentissage automatique?
L'apprentissage automatique est un type d'intelligence artificielle axé sur la création d'algorithmes et de modèles informatiques qui permettent un apprentissage par l'expérience, un peu comme en est capable l'être humain. Grâce à la modélisation prédictive et statistique, les algorithmes fondés sur l'apprentissage automatique sont créés de manière à pouvoir analyser des données antérieures et cerner des tendances. Ces analyses et modèles servent à faire des prévisions et à déterminer l'information qui est cruciale au processus décisionnel. En apprenant des données qu'ils fournissent, les logiciels d'apprentissage automatique deviennent de plus en plus précis au fil du temps, et ce, sans qu'on ait à modifier leur programmation.
L'apprentissage automatique permet d'analyser une vaste gamme de données, dont des chiffres, des mots, des images et même des clics. On a donc pu s'en servir dans de nombreux domaines, notamment en finance, en médecine et dans le monde du divertissement. Récemment, des spécialistes ont même adapté des algorithmes pour soutenir la lutte contre les changements climatiques.
Si vous souhaitez, à titre de fonctionnaire, approfondir votre connaissance du monde de l'apprentissage automatique, suivez le cours d'initiation Démarrer avec l'apprentissage automatique (DDN220).
Comment l'apprentissage automatique peut-il favoriser l'adaptation climatique?
L'adaptation climatique désigne la capacité des gens, des collectivités, des écosystèmes et des systèmes de supporter les répercussions des changements climatiques, de s'en remettre et de s'y adapter, ce qui veut dire savoir composer avec ces répercussions et les atténuer efficacement tout en prévenant leur aggravation. L'objectif consiste à acquérir une capacité d'adaptation et à favoriser le recours à des pratiques en matière de développement durable qui servent à accroître cette capacité.
L'intelligence artificielle peut se révéler un outil puissant de différentes manières pour permettre et accélérer les interventions en matière de climat, qu'il s'agisse de surveiller les stocks de carbone au moyen de satellites, d'optimiser le chauffage et la climatisation dans les bâtiments, de prévoir le rendement des cultures ou de contribuer à la conception de batteries de pointe. [Traduction]
Voici certaines des principales applications de l'apprentissage automatique en matière d'adaptation climatique :
- prévision des changements climatiques :les algorithmes d'apprentissage automatique peuvent servir à mettre au point des modèles climatiques précis et à améliorer les prévisions météorologiques.Par exemple, on a recouru à l'apprentissage profond dans le cadre du projet de recherche DeepGlobe (disponible en anglais seulement) pour prévoir les événements météorologiques extrêmes, comme les inondations et les glissements de terrain, en vue de permettre aux collectivités de se préparer à de tels événements et d'y réagir efficacement.
- efficacité et optimisation énergétiques : les algorithmes d'apprentissage automatique peuvent servir à optimiser l'utilisation de l'énergie et à en réduire le gaspillage en prévoyant la demande énergétique, en cernant des gains possibles en efficacité et en concevant des réseaux intelligents. Par exemple, le projet DeepMind de Google (disponible en anglais seulement) a mené à la création d'un système d'apprentissage automatique chargé du refroidissement dans les centres de données de l'entreprise, ce qui a permis à celle-ci de réduire sa consommation d'énergie de 40 %.
- surveillance et conservation de l'environnement : les algorithmes d'apprentissage automatique peuvent servir à surveiller et à gérer les ressources naturelles, telles que les forêts, les océans et les populations fauniques. Par exemple, dans le cadre du projet Wildbook (disponible en anglais seulement), on utilise la vision informatique et l'apprentissage automatique pour identifier des animaux dans des photos et des vidéos, ce qui permet aux chercheurs et aux chercheuses de suivre et de surveiller efficacement les espèces menacées.
Les modèles d'apprentissage automatique semblent efficaces dans la modélisation des séries chronologiques et la prévision des points de basculement qui précèdent souvent les événements extrêmes. [Traduction]
Au moyen de partenariats avec le secteur privé et de projets autogérés, le gouvernement du Canada étudie aussi le recours à l'apprentissage automatique pour s'adapter aux répercussions des changements climatiques et atténuer celles-ci. Voici quelques exemples.
- En 2021, Transports Canada a testé des systèmes d'aéronefs permettant de surveiller les risques que posaient les changements climatiques pour la chaîne d'approvisionnement. Le ministère a collaboré avec Spexi Geospatial (disponible en anglais seulement) pour concevoir et tester des algorithmes de vision informatique qui déterminent les risques menaçant les corridors ferroviaires, tels que les glissements de terrain, les niveaux d'eau et les incendies.
- Ressources naturelles Canada utilise l'apprentissage automatique pour améliorer la précision d'une base de données sur les anneaux arborescents « qui permet d'évaluer les arbres individuels, la population d'arbres et les vulnérabilités des écosystèmes forestiers au stress dû à la sécheresse ou à d'autres régimes changeants de perturbation des forêts (p. ex., insectes, maladies, incendies). »
- Au Centre d'entreprise des sciences de l'Atlantique (CESA), le Conseil national de recherches Canada (CNRC) contribue au développement de modèles d'apprentissage automatique pour accroître la compréhension globale et la prévisibilité des écosystèmes aquatiques dans le contexte des changements climatiques.
- Toujours au CESA, le CNRC a travaillé sur des modèles d'apprentissage automatique destinés à surveiller la migration de la baleine noire de l'Atlantique Nord vers le nord en raison des répercussions des changements climatiques sur ses sources de nourriture. L'équipe de recherche a utilisé des techniques de vision informatique pour faciliter le traitement des images aériennes et satellites afin de repérer les cétacés et d'éventuellement limiter les activités humaines où ils se trouvaient.
Certaines des applications d'apprentissage automatique auxquelles je travaille visent à accroître l'adaptabilité de l'aquaculture aux événements météorologiques extrêmes en fournissant les technologies (capteurs et logiciels) nécessaires à la prévision des changements de la qualité de l'eau (eutrophisation, contamination bactériologique, etc.), mais aussi la réhabilitation de milieux marins à forte concentration d'azote et de nutriments (agriculture de précision). [Traduction]
Il ne s'agit que de quelques exemples; il existe encore de nombreuses possibilités. Le rapport Climate Change and AI: Recommendations for Government (« Les changements climatiques et l'intelligence artificielle : recommandations au gouvernement ») propose des recommandations sur la façon dont les gouvernements peuvent soutenir un usage responsable de l'intelligence artificielle pour lutter contre les changements climatiques. Parmi ces recommandations figurent les suivantes :
- l'énergie, par exemple;
- accroître le soutien à la recherche, à l'innovation et au déploiement à l'aide de financement ciblé, d'infrastructures et d'une meilleure conception du marché;
- faire des changements climatiques un pilier central des stratégies en matière d'intelligence artificielle afin de favoriser le développement responsable de l'intelligence artificielle;
- favoriser davantage la collaboration internationale et le renforcement des capacités pour faciliter la création et la gouvernance d'outils d'adaptation au climat fondés sur l'intelligence artificielle.
En tirant parti de la puissance des données et de l'intelligence artificielle, nous pouvons concevoir des moyens et des stratégies pour favoriser l'adaptation climatique. Toutefois, le recours à l'apprentissage automatique n'est pas sans risque.
Les risques de l'apprentissage automatique
L'apprentissage automatique offre des solutions viables a beaucoup de problèmes liés au climat, mais il nous reste encore beaucoup de chemin à parcourir. Certaines personnes, affirmant que l'intelligence artificielle entraîne une grande consommation d'énergie et cause des dommages à l'environnement, perçoivent celle-ci comme une diversion coûteuse qui nous empêche d'envisager des moyens plus efficaces de gérer la crise climatique.
Une étude de l'Université Massachusetts Amherst (en anglais) a révélé que le stockage et le traitement des données nécessaires au perfectionnement d'un algorithme d'apprentissage automatique de grande taille peuvent mener à l'émission de 626 000 kilogrammes de dioxyde de carbone, une quantité de gaz cinq fois plus grande que celle produite par une auto américaine ordinaire pendant sa durée de vie.
L'extraction et le traitement des métaux précieux qui entrent dans la composition du matériel informatique nécessaire à l'apprentissage automatique, dont les serveurs et les puces, ont également des répercussions (en anglais) sur l'environnement, dont l'érosion des sols, la déforestation, la contamination de l'eau et la diminution de la biodiversité. Par ailleurs, la fabrication, le transport et l'entretien du matériel informatique lié à l'apprentissage automatique nécessitent une grande quantité d'énergie.
Cela dit, des moyens permettent d'atténuer ces répercussions néfastes, en partie, du moins. Le rapport mentionné précédemment, Climate Change and AI: Recommendations for Government (« Les changements climatiques et l'intelligence artificielle : recommandations au gouvernement »), en énumère quelques-uns, dont les suivants.
- Éviter que le gouvernement finance directement une utilisation de l'intelligence artificielle qui va à l'encontre des objectifs climatiques (par exemple, l'accélération de l'extraction et de l'exploitation des combustibles fossiles).
- Accorder aux changements climatiques une importance capitale dans les mesures visant à favoriser la conception de technologies fondées sur l'intelligence artificielle.
- Tenir dûment compte de l'infonuagique dans les politiques d'établissement de rapports et de tarification du carbone.
- Recourir uniquement aux services d'intelligence artificielle et d'informatique d'entreprises qui se sont fixé un objectif de carboneutralité qui respecte les recommandations 1, 2 et 3 précédentes.
Toutefois, on ne dispose pas d'assez de données sur les répercussions du cycle de vie des cas d'utilisation de l'intelligence artificielle. Le secteur de l'intelligence artificielle évolue rapidement et son incidence sur l'environnement est étroitement définie, quoique la recherche porte principalement sur les répercussions informatiques. Cette situation pose une difficulté réelle lorsqu'il s'agit d'établir des politiques qui encadrent l'évaluationet la réglementation des technologies qui reposent sur l'IA, comme l'apprentissage automatique, ainsi que l'accès à celles-ci.
L'importance de s'informer sur les changements climatiques et l'apprentissage automatique
Beaucoup de mesures prises par les secteurs privé et public visent à réduire l'émission de gaz à effet de serre. Par exemple, en 2017, le gouvernement du Canada a adopté la Stratégie pour un gouvernement vert, qui vise à lui permettre d'éliminer les émissions de gaz à effet de serre attribuables à ses activités d'ici 2050. Toutefois, réduire ce type d'émission ne représente qu'une partie de la solution.
Dure réalité, les changements climatiques ont des conséquences à l'échelle mondiale. Nous devons donc envisager d'utiliser plusieurs des outils dont nous disposons. En fin de compte, toutefois, ce sont les efforts conjugués des gens, des collectivités, des entreprises et des gouvernements qui nous permettront d'assurer l'avenir durable de notre planète.
Ressources
