Un modèle d'IA pourrait anticiper le développement des inondations soudaines : comment cela fonctionne

L’intelligence artificielle a cessé d’être un outil limité aux laboratoires technologiques. Ses systèmes interviennent dans des tâches quotidiennes, organisent l’information, automatisent les processus et étendent les capacités dans des domaines tels que la médecine, l’industrie, l’éducation, les transports et la recherche scientifique. Elle commence également à s’appliquer aux problèmes liés au climat, où anticiper les changements rapides peut s’avérer décisif.

Dans ce domaine, une équipe de la Penn State University a développé un modèle destiné à estimer, heure par heure, le risque d’inondations soudaines. La proposition adapte une méthode d’IA utilisée pour créer des images et cherche à reconnaître avec une plus grande précision les augmentations soudaines du débit des rivières, qui peuvent apparaître et disparaître en peu de temps.

Un modèle d’IA estimera les inondations soudaines

Le travail a été détaillé dans une étude publiée dans la revue Water Resources Research. Les y, les chercheurs ont présenté h-Diffusion, un modèle de diffusion, une technique d’intelligence artificielle qui apprend à éliminer l’information aléatoire pour reconstruire des motifs reconnaissables à partir de données complexes.

Dans la génération d’images, ce système peut partir d’une image bruitée, c’est-à-dire avec une information visuelle altérée, et récupérer une version cohérente. L’équipe a transposé ce principe à la prévision des inondations : au lieu de reconstruire une photographie, le modèle analyse les enregistrements de pluie et de débit pour estimer comment variera l’eau d’une rivière au cours des prochaines heures.

L’échelle temporelle est centrale pour le problème. Les inondations soudaines peuvent provoquer des pics de débit très élevés en quelques heures, bien que la moyenne quotidienne ne paraisse pas exceptionnelle. « Les niveaux d’eau peuvent monter et descendre rapidement en quelques heures, ce qui signifie qu’à l’échelle quotidienne, ils peuvent sembler élevés, mais non catastrophiques », a affirmé Chaopeng Shen, auteur principal et professeur de génie civil et environnemental dans un communiqué de Penn State.

Pour entraîner h-Diffusion, le groupe a utilisé des enregistrements horaires de débit de 516 bassins fluviaux des États-Unis, collectés entre 1990 et 2003. Ensuite, il a testé le système avec des données d’une période ultérieure, comprise entre 2009 et 2014, que le modèle n’avait pas utilisées lors de son apprentissage.

L’article indique que l’outil a surpassé d’autres modèles avancés d’apprentissage profond utilisés comme référence. Son avantage ne se limitait pas à l’estimation des débits : il a également pu intégrer des mesures récentes provenant de stations de surveillance sans nécessiter un nouvel entraînement complet. Cette capacité, appelée assimilation de données, permet au système d’incorporer des informations observées peu avant l’émission d’une prévision.

Selon l’établissement d’enseignement, cette technique réduit une partie de l’incertitude associée aux précipitations, dont les variations horaires sont difficiles à anticiper. Le modèle peut, par exemple, utiliser des données récentes sur la pluie et le débit pour estimer le pic d’eau de la journée. De plus, les auteurs ont démontré que le système peut effectuer une opération inverse et estimer la précipitation horaire probable à partir du débit mesuré.

« En définitive, notre objectif final est d’offrir un système robuste, fiable et capable d’aider à sauver des vies », a déclaré Shen, également affilié à l’Institut de l’Énergie et de l’Environnement de Penn State, selon le communiqué. L’équipe prévoit d’analyser des modèles hybrides et d’intégrer davantage de variables physiques à ses prédictions.

L’IA peut améliorer la gestion du climat

Cette avancée s’inscrit dans un domaine qui cherche à exploiter l’intelligence artificielle pour améliorer la gestion du risque d’inondations. Une revue publiée dans Climate Risk Management, qui a examiné plus de 300 recherches, a identifié des applications dans l’évaluation des risques, les systèmes d’alerte précoce et la réponse aux urgences.

Cette analyse soutient que les algorithmes peuvent traiter de grands volumes d’informations, allant des relevés hydrologiques et des prévisions météorologiques aux images satellites et aux données de capteurs. La combinaison de ces sources peut fournir des estimations plus rapides des zones exposées aux inondations et aider à organiser les ressources lors d’une urgence.

Cependant, la revue met en garde contre les obstacles à sa mise en œuvre. Parmi ceux-ci figurent les biais dans les données, le manque de transparence de certains modèles et les exigences en matière de puissance de calcul. Les auteurs ont souligné que les outils doivent être accessibles et adaptables à différents contextes, en particulier dans les communautés disposant de moins de ressources ou de systèmes de surveillance limités.

Les phénomènes inédits restent un défi difficile pour l’IA

Une autre étude, publiée dans Science Advances, a introduit un avertissement pertinent pour l’utilisation de ces systèmes dans les alertes météorologiques. La recherche a comparé des modèles d’IA avec HRES, un modèle de prévision basé sur des principes physiques du Centre européen pour les prévisions météorologiques à moyen terme.

Les auteurs ont évalué la capacité des systèmes à anticiper les records de chaleur, de froid et de vent, c’est-à-dire des événements dépassant les valeurs observées pendant la période d’entraînement des outils d’IA. Dans ces cas, HRES a obtenu de meilleurs résultats que les modèles d’intelligence artificielle analysés pour la plupart des délais de prévision.

Les travaux concluent que les modèles d'IA ont tendance à sous-estimer à la fois l'intensité et la fréquence des événements extrêmes sans précédent. Plus le dépassement du record était important, plus le biais des prédictions automatisées était élevé.

Cette différence peut être liée au fonctionnement de ces deux approches. Les modèles d'intelligence artificielle apprennent à partir de patterns présents dans les données historiques, tandis que les systèmes basés sur la physique utilisent des équations décrivant l'évolution de l'atmosphère. Pour cette raison, les auteurs soulignent qu'des évaluations rigoureuses sont encore nécessaires avant d'utiliser exclusivement des outils d'IA dans les systèmes critiques d'alerte précoce et de gestion des catastrophes.