Graph Neural Networks contre gradient boosting : prédire l'arsenic dans l'eau aux États-Unis

En juillet 2026, un groupe de chercheurs a publié sur arXiv une étude qui prédit la concentration d'arsenic dans les eaux souterraines américaines à l'aide de réseaux de neurones sur graphes (Graph Neural Networks, GNN). Pour cela, les auteurs ont constitué un jeu de données unique à partir de plus de 74 000 échantillons d'eau.

Pourquoi l'arsenic dans l'eau pose problème

La contamination des eaux souterraines par l'arsenic reste une menace sanitaire ancienne aux États-Unis, en particulier pour les ménages qui boivent l'eau de puits privés. Ces puits échappent au contrôle centralisé de la qualité de l'eau : les familles ignorent donc souvent le danger. Pour repérer les zones à haut risque et y concentrer les efforts de dépollution, il faut une estimation précise de la concentration, rattachée à un lieu. Or il n'existait jusqu'ici aucun modèle universel décrivant comment la concentration varie progressivement d'une région à l'autre.

Comment le jeu de données est construit

Les auteurs ont regroupé plus de 74 000 mesures d'arsenic issues de trois sources ouvertes et les ont reliées par leurs coordonnées géographiques. Ils ont formulé la tâche comme une régression : prédire la valeur continue de la concentration en un point donné, et non une étiquette grossière « dangereux/sûr ».

• Plus de 74 000 échantillons d'arsenic couvrant l'ensemble du territoire américain
• Sources : Water Quality Portal (WQP), Mineral Resources Data System (MRDS) et la base de données sur les sols gNATSGO
• Les points de mesure ont été raccordés par la méthode des k plus proches voisins (k-NN) et avec des outils de SIG (GIS)
• Type de tâche : régression de la concentration, et non classification binaire

D'après les données du Water Quality Portal et des bases associées, un tel volume permet d'entraîner les modèles sur la dispersion spatiale réelle, plutôt que sur quelques échantillons locaux isolés.

Les réseaux de neurones ont-ils battu le boosting ?

Les réseaux de neurones sur graphes ont égalé le gradient boosting ou l'ont surpassé, mais le boosting lui-même reste l'approche de référence la plus solide pour les données tabulaires. Les auteurs ont comparé plusieurs familles de modèles : des ensembles d'arbres (gradient-boosted trees), des perceptrons multicouches (MLP) et des GNN sensibles à l'espace. L'atout majeur de l'approche par graphes est qu'elle intègre directement la dépendance spatiale entre points voisins, ce que les modèles tabulaires ignorent par nature.

«

Bien que le gradient boosting soit toujours considéré comme l'état de l'art pour les données tabulaires, les réseaux de neurones sur graphes peuvent en plus prendre en compte la dépendance spatiale et égaler le boosting ou le surpasser », indique le résumé de l'étude sur arXiv.

Ce que cela change

L'apprentissage informé par l'espace rend les prévisions environnementales plus précises et pose les bases de cartes de risque de contamination des eaux souterraines plus fiables. Pour des millions de ménages équipés de puits privés, cela se traduit à terme par une alerte plus précoce sur les zones dangereuses et par une dépollution ciblée là où l'arsenic dépasse réellement la norme.

Questions fréquentes

Qu'est-ce qu'un réseau de neurones sur graphes dans cette tâche ?

C'est un modèle qui représente les points de mesure comme des nœuds d'un graphe et relie par des arêtes les mesures géographiquement voisines. Le GNN peut ainsi prendre en compte la dépendance spatiale, c'est-à-dire le lien entre la concentration d'arsenic en un point et celle des points environnants.

Combien d'échantillons les chercheurs ont-ils utilisés ?

Plus de 74 000 mesures d'arsenic, collectées dans trois bases ouvertes : Water Quality Portal, Mineral Resources Data System et la base de données sur les sols gNATSGO, raccordées par leurs coordonnées via k-NN et SIG.

Les GNN vont-ils remplacer le gradient boosting ?

Non. Selon les conclusions de l'étude, le gradient boosting reste l'état de l'art pour les données tabulaires, tandis que les réseaux de neurones sur graphes le complètent en exploitant la structure spatiale, l'égalant ou le dépassant par endroits.