Modélisation et prédiction à court et moyen terme des efflorescences d’algues nuisibles (HABs) par Machine Learning, pour anticipation des risques sur les productions aquacoles

Le phytoplancton constitue la base des chaînes trophiques pélagiques et une part essentielle de la production primaire dans les zones côtières. Sous certaines conditions favorables de température, lumière, turbulence et sels nutritifs, la croissance de diverses espèces phytoplanctoniques dont les Harmful Algal Blooms (HAB) peut excéder celles des organismes brouteurs, entraînant leur prolifération. Les HABs font l’objet d’un nombre croissant d’études du fait qu’elles peuvent provoquer des effets néfastes sur les organismes, via la production de toxines, des dommages mécaniques ou pour d’autres raisons, telle que l’anoxie du milieu due à une reminéralisation des algues non consommées accumulées. Ces effets sont alors dangereux pour les productions aquacoles (mortalités massives de poissons engendrant des millions de dollars de pertes chaque année), pour les zones de baignade (des centaines de plages fermées chaque été), et fragilisent les écosystèmes déjà sensibles comme les lacs ou les lagunes. Au-delà du travail de recherche visant à mieux comprendre, caractériser et prévoir les efflorescences phytoplanctoniques (dont les HAB), ce projet vise à proposer un service particulier. En effet, la très grande majorité des clients et prospects de BiOceanOr, en aquaculture ou dans la surveillance environnementale, est en demande d’un service innovant qui leur permettrait de suivre et d’anticiper ce risque lié aux efflorescences de HABs au niveau des zones de production.
Les outils de modélisation de type machine learning représentent un atout précieux pour tenter de détecter (nowcast) ou de prédire (forecast) une efflorescence algale. Les travaux menés par l’IFREMER, et plus particulièrement le LER/BL ces dernières années, ont abouti au développement d’outils performants de classification/labellisation/prédiction qui laissent présager de leur capacité à répondre aux enjeux d’optimisation des systèmes numériques d’alertes précoces et de prévisions à court terme du risque lié aux efflorescences algales, afin de faciliter l’émission de recommandations scientifiques et techniques par l’expert humain, en appui aux gestionnaires de l’environnement et décideurs, mais également aux industries exploitant les eaux marines.
Le travail de thèse est envisagé sur (i) un site atelier à l’échelle des eaux côtières de la Manche orientale et de la baie sud de la mer du Nord pour le développement, l’optimisation, et la calibration de modèles prédictifs dans un système d’observation bien établi ; (ii) sur un site applicatif, dans la région des Lacs et la région d’Aysén situées dans le sud du Chili (zones proches des clients de BiOceanOr) pour une étude de faisabilité de déploiement de ces approches dans un contexte où les systèmes d’observation sont moins développés.
Les objectifs scientifiques sont de trois types : Méthodologique (mise en place du flux de données ; adaptation et optimisation des méthodes numériques d’analyses des séries temporelles), Ecologique (identification semi-automatique des paramètres de contrôle des efflorescences ; détection et apprentissage des événements usuels, extrêmes, intermittents et/ou rares ; prédiction de l’évolution à court et moyen terme des efflorescences de HABs), et Applicatif (développement d’un système de prédiction et d’alerte ; test/adaptation/optimisation du système de prédiction/forecasting ; mise à disposition d’un jeu de données labellisées de référence).
Au travers de ce sujet de thèse, financé par BiOceanOr et l’IFREMER, le/la doctorant(e) participera au développement d’un outil d’aide à la décision, qui sera valorisé pour les clients aquaculteurs de BiOceanOr.