Un nouveau cadre d'IA améliore la précision des prévisions hydrologiques mondiales

Les progrès récents dans la prévision des inondations à l'échelle continentale, tirés par l'intelligence artificielle d'apprentissage profond, ouvrent des perspectives significatives pour la modélisation hydrologique globale. Ces systèmes d'IA, comme les réseaux de neurones à mémoire à long et court terme (LSTM) utilisés par Google, démontrent une capacité à transférer des connaissances acquises sur divers bassins versants, y compris vers des zones non jaugées, résolvant ainsi un défi hydrologique persistant.

Les inondations constituent la catastrophe naturelle la plus fréquente à l'échelle mondiale, engendrant des dommages financiers annuels estimés à 50 milliards de dollars, avec une fréquence ayant plus que doublé depuis l'an 2000, en partie attribuée au changement climatique. Dans ce contexte, un nouveau cadre méthodologique, nommé Errorcastnet, a été conçu pour s'intégrer aux modèles nationaux d'eau existants. Ce système hybride, développé notamment par Vinh Ngoc Tran et Taeho Kim de l'Université du Michigan, a montré des gains de précision quatre à six fois supérieurs aux approches précédentes dans la correction des erreurs du Modèle National de l'Eau américain (National Water Model).

Errorcastnet fonctionne en analysant les écarts entre les prévisions du modèle national et les inondations observées, classifiant les erreurs en celles qui sont corrigeables et celles qui découlent des limites intrinsèques du modèle ou de données incomplètes. Entraîné sur des données historiques de précipitations et d'inondations de la NOAA, ce système est capable de générer rapidement des prévisions pour des milliers de localités. Bien que son entraînement initial ait porté sur les données américaines, sa conception universelle permet une adaptation à n'importe quel pays.

L'impact de ces technologies d'apprentissage automatique est notable dans l'amélioration de la fiabilité des prévisions mondiales, étendant la fenêtre de prévision de zéro à cinq jours dans les régions où les données sont historiquement rares, telles que l'Afrique et l'Asie, où les performances se rapprochent désormais de celles observées en Europe. Ces systèmes dépassent les contraintes de calcul et la forte dépendance aux données des modèles physiques traditionnels, qui peinent à modéliser les phénomènes extrêmes sans apports météorologiques supplémentaires.

L'application opérationnelle de ces avancées est déjà visible. Des systèmes comme AIFAS utilisent l'IA générative pour produire des prévisions probabilistes de débit fluvial, tandis que les alertes en temps réel de Google, via Search et Maps, ont émis plus de 100 millions d'avertissements lors de la saison des moussons 2021 en Inde et au Bangladesh, couvrant 287 000 km² et plus de 350 millions de personnes. Ces systèmes d'alerte précoce, combinant capteurs externes et modèles IA optimisés, permettent aux autorités de réagir plus promptement aux crues soudaines, qu'elles soient d'origine pluviale ou liées à la fonte des neiges.

L'intégration de ces solutions d'IA dans la gestion des risques de catastrophe à l'échelle planétaire nécessite une attention particulière à leur accessibilité économique et au renforcement des capacités locales pour assurer leur pérennité opérationnelle.