Quantum deep learning for digital soil mapping and climate change prediction

Abstract

Les ordinateurs quantiques promettent de relever des défis informatiques complexes qui sont actuellement hors de portée des systèmes classiques. Bien que l'avantage quantique à grande échelle reste insaisissable en raison des limitations matérielles, les algorithmes hybrides quantiques-classiques offrent une voie pratique, en particulier dans le domaine de l'apprentissage automatique (ML). L'apprentissage automatique quantique (QML), en tirant parti des propriétés uniques des systèmes quantiques, est apparu comme une voie prometteuse pour accélérer la prise de décision fondée sur les données et s'attaquer aux problèmes complexes du monde réel. Cette thèse explore l'application des techniques de pointe en ML et QML pour faire progresser la durabilité environnementale, avec un accent particulier sur la cartographie numérique des sols (DSM) et la surveillance des émissions de gaz à effet de serre (GHG), en particulier le méthane. Pour relever les défis de l'analyse des données sur les sols, nous avons développé SCORPAN, un entrepôt de données sur les sols structuré et évolutif intégrant de multiples facteurs environnementaux. Nous avons appliqué l'extraction de règles d'association pour découvrir des motifs cachés dans les ensembles de données sur les sols et nous avons introduit Quantum FP-growth, un nouvel algorithme quantique conçu pour améliorer l'efficacité de l'extraction de motifs fréquents. En outre, nous avons évalué divers modèles d'apprentissage automatique pour prédire les propriétés des sols dans le nord de l'Algérie, démontrant ainsi le potentiel des approches basées sur les données pour améliorer la gestion des terres et la durabilité de l'agriculture. Parallèlement, pour répondre au besoin urgent de surveillance du méthane, nous avons mis en œuvre une analyse des séries temporelles des données du satellite Sentinel-5P à l'aide de réseaux neuronaux récurrents profonds. En outre, nous avons proposé une architecture hybride quantique-classique U-Net, incorporant des couches convolutives quantiques pour améliorer la précision de la détection des fuites de méthane. Collectivement, nos résultats soulignent le potentiel transformateur de l'intégration des méthodologies quantiques et classiques pour accélérer les progrès vers l'agriculture durable et la résilience climatique.