Apprentissage automatique pour prédire les émissions de carbone et les liens entre l'économie et les terres dans les pays de l'IORA : un nouvel outil pour le développement durable.

Quand développement et environnement s'entremêlent sur les rives de l'océan Indien

Les pays riverains de l'océan Indien sont confrontés à un dilemme classique : comment promouvoir la croissance économique sans sacrifier l'environnement ? Pour les États membres de l'Association des riverains de l'océan Indien (IORA), en particulier les économies insulaires ou côtières comme la Malaisie, Maurice, le Sri Lanka et Madagascar, la vulnérabilité climatique oblige les décideurs politiques à quantifier la relation entre développement économique et empreinte écologique.

Une étude publiée dans *Scientific Reports* tente d'offrir un nouveau cadre d'analyse à ce problème à l'aide de l'apprentissage automatique. Cette recherche construit un modèle prédictif nommé XOS-ELM-GA (Xavier Online Sequential Extreme Learning Machine with Genetic Algorithm), utilisant les données historiques d'émissions de CO₂ comme entrée clé pour prédire les variations annuelles du PIB et de la superficie des terres agricoles de ces pays.

La capture non linéaire au-delà de la régression traditionnelle

Les modèles économiques traditionnels supposent souvent des relations linéaires, mais les interactions entre les émissions de carbone, la production économique et l'utilisation des terres sont intrinsèquement non linéaires et dynamiques. Les chercheurs ont d'abord effectué une analyse statistique des données historiques de 1960 à 2020, confirmant une corrélation significative entre les émissions de CO₂, le PIB et les terres agricoles. Cependant, la régression simple ne permet pas de traiter efficacement les séries temporelles non stationnaires et de grande dimension.

L'innovation centrale du XOS-ELM-GA réside dans le fait qu'en réduisant les fluctuations aléatoires grâce à l'initialisation des poids Xavier et en optimisant les paramètres par algorithme génétique, il surmonte les défauts des machines à apprentissage extrême (ELM) traditionnelles, tels qu'une forte incertitude de prédiction, une sensibilité aux paramètres et une faible efficacité de calcul. Les tests menés dans quatre pays montrent que ce modèle obtient une valeur moyenne de SMAPE comprise entre 10,13 % et 12,13 % pour les prévisions de PIB, et aussi basse que 2,99 % à 3,77 % pour les prévisions de terres agricoles, surpassant nettement les modèles de référence comme ELM et OS-ELM.

Quatre cas, une logique structurelle

La Malaisie, Maurice, le Sri Lanka et Madagascar représentent différents stades de développement et structures industrielles au sein de l'IORA. La Malaisie, en tant que pays industriel à revenu intermédiaire, voit ses émissions de carbone étroitement liées à la croissance manufacturière ; Maurice a connu une transition de l'agriculture vers les services, son intensité carbone évoluant parallèlement à la modernisation de sa structure économique ; le Sri Lanka oscille entre tourisme et agriculture ; Madagascar, quant à elle, dépend de l'agriculture mais souffre d'une faible industrialisation. Malgré ces différences marquées, le modèle d'apprentissage automatique a capté une caractéristique commune : les émissions de CO₂ peuvent servir de variable proxy fiable pour prédire les activités économiques et les changements d'utilisation des terres.

Cette découverte suggère que, lorsque les données environnementales sont suffisamment accessibles, les trajectoires d'émissions peuvent fournir aux décideurs des signaux sur l'évolution du PIB et des terres cultivables plusieurs années à l'avance. Pour les pays en développement qui manquent de statistiques économiques détaillées, cela pourrait être une approche pragmatique pour évaluer rapidement l'impact des politiques.

De la prédiction à la politique : un pont vers les ODD

L'étude précise clairement qu'elle ne vise pas à établir des relations de cause à effet, mais à fournir des « prédictions fondées sur des corrélations ».Cette étude ne vise clairement pas à établir des relations de cause à effet, mais à fournir des « prédictions basées sur la corrélation ». Cependant, la valeur de telles prédictions ne doit pas être sous-estimée. La progression des Objectifs de développement durable (ODD) des Nations Unies, notamment l'ODD 8 (travail décent et croissance économique), l'ODD 13 (action pour le climat) et l'ODD 15 (vie terrestre), dans les pays de l'IORA, est souvent limitée par le retard des données et la complexité des modèles. La simplicité de XOS-ELM-GA et sa capacité d'apprentissage en ligne lui permettent d'absorber en continu de nouvelles données et de fournir des prédictions quasi en temps réel, soutenant ainsi l'ajustement dynamique des plans de réduction des émissions et d'utilisation des terres.

Par exemple, le modèle produit des erreurs de prédiction très faibles pour les surfaces agricoles du Sri Lanka et de Madagascar, ce qui signifie que les décideurs politiques climatiques peuvent évaluer avec plus de confiance l'impact à long terme de la reforestation ou de l'intensification agricole sur le budget carbone.

Une nouvelle ère géoéconomique pilotée par l'IA

Cette recherche est un microcosme d'une tendance mondiale : l'intelligence artificielle redéfinit les frontières analytiques de l'économie environnementale. Avec le développement de technologies comme les machines à apprentissage extrême et les algorithmes génétiques, les goulots d'étranglement computationnels des méthodes quantitatives traditionnelles sont en train d'être brisés. Plus important encore, ces modèles « axés sur les données » abaissent le seuil de la recherche interdisciplinaire – les économistes n'ont pas besoin d'être experts en sciences du climat, et les écologistes n'ont pas besoin d'être spécialistes des algorithmes pour dialoguer sur des défis communs à l'aide d'outils prédictifs.

L'IORA couvre près de 3 milliards de personnes, représentant un tiers du commerce mondial. Si des modèles similaires pouvaient être étendus à d'autres États membres, ils ne contribueraient pas seulement à la planification durable d'un seul pays, mais pourraient également favoriser des mécanismes de coordination au niveau régional. Par exemple, pour les investissements verts liés à la pollution plastique océanique ou à la protection des mangroves, le modèle pourrait d'abord simuler les gains économiques et les arbitrages fonciers dans différents scénarios d'émissions de carbone, avant de parvenir à un consensus.

Limites et orientations futures

L'étude reconnaît également ses limites : les prédictions actuelles reposent sur des corrélations historiques et ne peuvent pas extrapoler des technologies disruptives ou des changements politiques soudains (par exemple, l'adoption à grande échelle du captage du carbone). De plus, l'utilisation exclusive du CO₂ comme seule variable environnementale néglige d'autres dimensions de la durabilité, telles que la biodiversité et les ressources en eau. Les travaux futurs pourraient intégrer davantage de données de télédétection par satellite (comme les lumières nocturnes, les indices de végétation) et introduire des cadres d'apprentissage multitâches pour prédire simultanément plusieurs indicateurs des ODD.

À long terme, l'apprentissage automatique ne remplacera pas l'analyse structurelle, mais il offre aux décideurs une « fenêtre temporelle opérationnelle » supplémentaire. Lorsque les pays de l'IORA négocient des financements climatiques, un modèle prédictif basé sur des données locales et évalué par des pairs pourrait être plus convaincant que des promesses abstraites.

> Source : Xu, X., et al. (2026). Machine learning-based forecasting of CO₂-related economic growth and agricultural land change in IORA countries. *Scientific Reports*, 16, 21411. https://www.nature.com/articles/s41598-026-51807-1