L’apprentissage automatique révèle des indices sur le climat dans les carottes de glace
Les carottes de glace – de longs cylindres de glace forés et extraits des calottes glaciaires polaires ou des glaciers alpins – fournissent des archives intactes des climats passés. Les couches de dépôt créent une succession d’instantanés climatiques, qui remontent jusqu’à 800 000 ans. «Le climat de la Terre peut être mis à jour en détectant les impuretés fixées à l’intérieur de la glace», explique le coordinateur du projet ICELEARNING Carlo Barbante, de l’Université Ca’ Foscari de Venise, en Italie. «Les composés chimiques solubles, les gaz atmosphériques et les particules insolubles émis par les déserts, les forêts et les volcans sont transportés par les vents et enfouis dans la glace.» Les techniques méthodologiques standard pour identifier et quantifier ces particules peuvent prendre beaucoup de temps. Les échantillons doivent être préparés en laboratoire et chaque analyse de particules nécessite généralement une préparation différente. Des experts de différents domaines examinent souvent le même échantillon pour identifier ce qui intéresse leur domaine spécifique (par exemple, les grains de pollen ou les cendres volcaniques).
Analyser le passé
Le projet ICELEARNING, entrepris avec le soutien du programme Actions Marie Skłodowska-Curie (MSCA), a cherché à rationaliser ce processus d’analyse. Ceci a été réalisé en utilisant un instrument de microscopie à flux liquide, appelé FlowCam. Niccolò Maffezzoli, boursier MSCA dans le cadre du projet, a travaillé sur l’idée conceptuelle, avant de lui donner vie sous la forme d’un prototype. La FlowCam fonctionne en photographiant toutes les particules d’un échantillon de carotte de glace, au fur et à mesure qu’elles traversent l’instrument. L’idée centrale d’ICELEARNING a alors consisté à utiliser les réseaux neuronaux profonds / l’apprentissage automatique avancé pour traiter, identifier et classer différemment les impuretés de façon automatique. «Niccolò Maffezzoli est tombé sur l’instrument FlowCam lors d’une visite dans un laboratoire de https://www.uib.no/en (l’Université de Bergen)», explique Carlo Barbante. «Niccolò a pensé que cela pourrait aider les chercheurs travaillant sur les carottes de glace à identifier leurs particules respectives en même temps et à construire un cadre capable de faire le lien entre différents domaines.» Il était pour cela essentiel de développer un réseau neuronal profond capable de différencier et de classer différents types de particules, en se basant sur des images numériques. Pour y parvenir, des ensembles de données d’entraînement concernant chaque type de particule ont dû être collectés. Des dizaines de milliers d’images ont été «alimentées» par le réseau, pour l’aider à «apprendre» à distinguer les types de particules. «Nous avons constaté que le réseau était capable de classer les particules avec une très grande précision», explique Carlo Barbante. «Nous l’avons déployé sur des échantillons du GRIP (Greenland Ice Core Project), des carottes de glace qui datent de 13 000 à 17 000 ans.»
Des relevés climatiques précis
Carlo Barbante et son équipe ont fait plusieurs découvertes. Ils ont pu identifier des particules de téphra volcanique à partir d’éruptions volcaniques connues, démontrant efficacement le potentiel de leur technique pour identifier les éruptions volcaniques passées dans les enregistrements de carottes de glace. Par ailleurs, la présence de diatomées – des organismes d’algues unicellulaires vivant dans les océans – a été identifiée dans des échantillons de glace des Andes péruviennes. Dans l’ensemble, ICELEARNING a démontré avec succès comment cette méthodologie pouvait soutenir les analyses de laboratoire en réduisant les coûts, le temps et les efforts. De nouvelles pistes de recherche sur des particules moins étudiées – comme ces diatomées – pourraient également être ouvertes. «ICELEARNING était essentiellement une étude pilote pour démontrer la faisabilité de cette idée», ajoute Carlo Barbante. «Les prochaines étapes comprennent l’expansion de notre modèle pour inclure d’autres particules et l’augmentation de la taille des échantillons utilisés.» Carlo Barbante espère également que le projet pourra contribuer au projet Beyond EPICA Oldest Ice Core, financé par l’UE, aidant les scientifiques à produire des enregistrements de particules datant de plus d’un million d’années. Cela pourrait apporter un nouvel éclairage sur de nombreux aspects du passé climatique de la Terre.
Mots‑clés
ICELEARNING, glace, climatique, polaire, glaciers, FlowCam, volcanique, climat
