Calcul de la vulnérabilité aux changements climatiques pour les vagues de chaleur à l’aide de l’intelligence artificielle et des SIG Jean-Nicolas Côté, B.pharm., M.env. Doctorant au département de géomatique appliquée de l’Université de Sherbrooke

1. Calcul de la vulnérabilité aux
changements climatiques pour les
vagues de chaleur à l’aide de
l’intelligence artificielle et des SIG
JEAN-NICOLAS CÔTÉ, B.PHARM., M.ENV.
DOCTORANT AU DÉPARTEMENT DE GÉOMATIQUE APPLIQUÉE DE L’UNIVERSITÉ DE
SHERBROOKE
Directeurs:
Mickaël Germain, Université de Sherbrooke
Elisabeth Levac, Université Bishop’s
Eric Lavigne, Université d’Ottawa et Santé Canada

2. Brève introduction à
l’adaptation aux
changements
climatiques
1
Source:
Côté, JN., Germain, M., Levac, E., & Lavigne E. (2023) Vulnerability
Assessment of Heat Waves Within a Risk Framework Using Artificial
Intelligence, Manuscript submitted for publication

3. Problématique
 Les analyses en composantes principales (ACP) ou les analyses
multicritères pour évaluer la vulnérabilité sont souvent très
subjectives.
 Il n’existe pas de cadre conceptuel étalon.
 Il n’existe pas de procédure de validation universelle.
 Ouvre la porte à la confusion et à la multiplication des cadres
conceptuels, ce qui complexifie la mise en œuvre des mesures
d’adaptation.
2

4. Défis
 La majorité des analyses de vulnérabilité manque de données
fiables pour pouvoir bien modéliser l’impact.
 Même avec des données fiables, il est difficile d’obtenir une
résolution spatiale adéquate pour bien orienter la décision (e.g.,
augmentation quotidienne de 0,05 mort / 10 000 habitants par
vague de chaleur bisannuelle).
3

5. Hypothèse
 L’intelligence artificielle (IA) est en mesure de modéliser la
hausse de mortalité quotidienne des vagues de chaleur
historiques et projetées (impact).
 L’IA peut prédire les zones où la mortalité sera plus élevée lors
d’une vague de chaleur (vulnérabilité).
4

6. Quel type d’IA?
 Impossible de prédire quelle branche de l’IA ou d’apprentissage
machine sera la plus performante.
 Trois familles ont été testées
 Réseaux de neurones multicouches
 Arbres de décisions (Random Forests, XGBoost, etc.)
 Processus gaussien
5

7. Différence entre les 3 familles :
Réseaux de neurones multicouches
6
Source : Di, W., Bhardwaj, A., & Wei, J. (2018). Deep learning essentials : your hands-on guide to the
fundamentals of deep learning and neural network modeling. Packt Publishing.

8. Différence entre les 3 familles :
Arbres de décisions
7
Source : Dangeti, P. (2017). Statistics for machine learning. Packt Publishing.

9. Différence entre les 3 familles :
Processus gaussien
8
Source :Wang, J. (2020). An intuitive tutorial to Gaussian processes regression. arXiv preprint arXiv:2009.10862.
*Il existe des techniques
pour traiter de larges
volumes de données ou
des données qui ne
suivent pas une
distribution normale
(voir l’API de GPFlow)

10. Bibliothèques Python
 Réseaux de neurones : TensorFlow, Keras
 Arbres de décisions: XGBoost
 Optimisation bayésienne des hyperparamètres : Optuna
 Suites aux échecs répétés de ces tentatives, utilisation
d’AutoGluon (AutoML framework) pour synthétiser les résultats
 Processus gaussien : GPFlow
 Processus gaussien profond : GPFlux
 Explications des modèles : SHAP
9

11. Mise en garde - Surapprentissage 10
Les résultats impressionnants NE
sont PAS forcément un gage de
modèle de qualité. Toujours faire
très attention avec les métriques et
les graphiques présentés. Ici, un
exemple de surapprentissage
(overfitting) grâce à du « data
leakage », c’est-à-dire que les
données tests se sont infiltrées dans
les données d’entraînements.

12. Résultats - Exposition 11

13. Résultats - Impacts 12
AutoGluon Processus gaussien

14. Résultats - Impacts 13
Processus gaussien
Processus gaussien

15. Résultats - Vulnérabilité 14
Processus gaussien
Actuel AutoGluon
Processus gaussien

16. Résultats - Vulnérabilité 15
Processus gaussien
AutoGluon

17. Conclusion
 Les processus gaussiens représentent une bonne alternative
lorsque les algorithmes plus « traditionnels » ne fonctionnent
pas.
 Avant d’utiliser des ACP lorsqu’il manque de données, il faut
vraiment s’assurer que celles-ci vont pouvoir orienter les
décisions (n’a pas été vraiment démontré dans la littérature
scientifique jusqu’à présent)
 Les prochaines étapes consistent à concevoir un système d’aide à
la décision en adaptation aux changements climatiques basé sur
les résultats de mes travaux
16

18. Merci de votre attention
 Pour suivre mes futurs travaux:
Profil LinkedIn: Jean-Nicolas Côté
 Pour toutes questions:
 jean-nicolas.cote@usherbrooke.ca
17