Les réseaux de neurones artificiels pour aider à la reconstruction de séries temporelles de flux de N2O
Les sols agricoles constituent une importante source de protoxyde d’azote (N2O), un gaz à effet de serre très puissant, présentant un pouvoir de réchauffement équivalent à 300 fois celui du CO2. Les mesures à haute fréquence des flux de N2O sont déterminantes afin d’améliorer la connaissance des mécanismes complexes qui régissent leur très grande variabilité spatiale et temporelle et d’affiner ainsi les bilans de gaz à effet de serre. Mais les séries de mesures sont souvent incomplètes en raison du dysfonctionnement intermittent des instruments ou des contrôles de qualité. Il faut donc appliquer des algorithmes pour combler ces lacunes de manière à pouvoir calculer des bilans sur des périodes longues. Au même titre que pour les flux de CO2, aucune méthode satisfaisante de reconstruction n’existe pour les flux de N2O au comportement fugace.
Une équipe de chercheurs(1) s’est intéressée à une méthode novatrice pour leur domaine d’étude, mais en plein essor par ailleurs : les réseaux de neurones artificiels. Cette méthode, seule ou combinée avec la méthode d’interpolation linéaire, a été testée puis confrontée à la méthode d’interpolation linéaire seule, sur une série temporelle de flux journaliers de N2O mesurés pendant 5 ans (2012-2016) sur un site agricole(2) avec des chambres automatisées.
En moyenne sur la période étudiée, la méthode par réseaux de neurones seule donne de meilleurs résultats statistiques que la méthode d’interpolation linéaire seule. Néanmoins, si elle reproduit convenablement les hautes valeurs de flux de N2O, elle en surestime les faibles valeurs où l’interpolation linéaire est statistiquement meilleure.
Les chercheurs ont alors décidé de combiner les 2 méthodes à l’aide d’une règle de décision s’appuyant sur l’amplitude des flux et la durée des périodes de données manquantes. Ils ont ainsi pu améliorer leurs résultats, en particulier la représentation de la dynamique des flux sur les périodes de faibles valeurs de flux de N2O.
En savoir plus
Bigaignon, L., Fieuzal, R., Delon, C., Tallec, T., 2020. Combination of two methodologies, artificial neural network and linear interpolation, to gap-fill daily nitrous oxide flux measurements. Agricultural and Forest Meteorology 291, 108037. https://doi.org/10.1016/j.agrformet.2020.108037