Modèle d'IA utilise l'apprentissage par transfert pour prédire les inondations causées par les tempêtes dans les zones à données limitées Samuel Daramola et David Muñoz, de Virginia Tech, sont à la pointe de la recherche sur la prédiction des inondations lors de tempêtes, en particulier dans les régions où les données sont rares ou inexistantes. Le 1er juin 2025 marquera le début de la saison des ouragans, prévue pour être plus active que jamais, avec de potentielles tempêtes dévastatrices entraînant des pluies abondantes et des surges puissants, provoquant des inondations côtières dangereuses. Les niveaux d'eau extrêmes, comme les 4,5 mètres d'inondations observés en Floride lors de l'ouragan Helene en 2024, menacent les vies humaines, détruisent des habitats et endommagent les écosystèmes. Cependant, la prédiction de ces phénomènes est complexe et coûteuse, nécessitant des modèles informatiques sophistiqués qui ne sont pas accessibles aux régions disposant de ressources limitées. Dans une étude récente publiée dans Water Resources Research, Samuel Daramola, étudiant en génie civil et environnemental, dirigé par son conseiller scientifique David F. Muñoz et ses collaborateurs Siddharth Saksena, Jennifer Irish et Paul Muñoz de l'Université libre de Bruxelles en Belgique, introduit un nouveau cadre d’apprentissage profond, appelé Long Short-Term Memory Station Approximated Models (LSTM-SAM), pour prédire la montée et la baisse des niveaux d’eau pendant les tempêtes. Ce modèle offre des prédictions plus rapides et plus économiques, permettant ainsi des décisions plus avisées quant aux moments d'évacuation, à l'Placement des ressources d'urgence et à la protection des infrastructures face aux ouragans. La prédiction des inondations : un défi majeur La prédiction des niveaux d'eau extrêmes, surtout lors de inondations composites où plusieurs sources d'inondation, comme les pluies et les surges de tempête, se combinent pour intensifier les inondations, est essentielle pour protéger les communautés vulnérables. Les modèles physiques traditionnels nécessitent des informations détaillées sur les modèles météorologiques, les conditions océaniques et la géographie locale. La collecte et le traitement de ces données sont laborieux et chers, ce qui restreint leur utilisation aux zones disposant de longues séries de données et d'ordinateurs puissants. Pour surmonter ces limitations, l'équipe de recherche a développé LSTM-SAM, un cadre d'apprentissage profond capable d'analyser les motifs des tempêtes passées afin de prédire la montée des niveaux d'eau pendant les futurs orages. Ce qui distingue ce modèle, c'est sa capacité à extrapoler à partir des données d'une zone géographique pour faire des prédictions dans une autre zone où les données manquent. Grâce à ce transfert de connaissances, la prédiction précise des inondations devient plus accessible. "Notre objectif était de créer une méthode d’apprentissage par transfert efficace qui s'appuie sur des modèles d'apprentissage profond pré-entraînés," explique Daramola. "Cela est crucial pour évaluer rapidement de nombreuses zones sujettes aux inondations après un ouragan." Tests et applications pratiques Les chercheurs ont testé LSTM-SAM dans des stations de marégraphe le long de la côte atlantique des États-Unis, une région fréquemment touchée par les ouragans et autres grandes tempêtes. Le modèle a prédit de manière précise le début, le pic et la baisse des niveaux d'eau causés par les tempêtes. Il a également réussi à reconstruire les niveaux d'eau pour des stations de marégraphe endommagées par des ouragans, comme celle de Sandy Hook, New Jersey, qui a cessé de fonctionner pendant Hurricane Sandy en 2012. L'équipe de recherche envisage d'utiliser LSTM-SAM pendant la prochaine saison des ouragans pour tester son efficacité face à des tempêtes imminentes en quasi-temps réel. Ils ont rendu le code freely disponible dans le dépôt GitHub du CoRAL Lab, où il peut être téléchargé gratuitement par les scientifiques, les planificateurs d'urgence et les dirigeants gouvernementaux. Le programme nécessite seulement quelques minutes pour s'exécuter sur un ordinateur portable et pourrait être particulièrement utile pour les petites villes ou régions des pays en voie de développement, où l'accès à des outils informatiques de pointe ou à des données environnementales détaillées est restreint. "Alors que d'autres études dépendent de motifs répétitifs dans les données d'entraînement," ajoute Daramola, "notre approche met en avant les changements extrêmes des niveaux d'eau lors de l'entraînement, ce qui aide le modèle à mieux reconnaître les motifs importants et à performer de façon plus fiable." Importance et perspectives À mesure que la fréquence des événements d'ouragan et leur impact socio-économique augmentent, les cadres de prédiction des inondations fiables deviennent primordiaux. Des outils avancés d'apprentissage profond comme LSTM-SAM pourraient devenir indispensables pour aider les communautés côtières à se préparer à ce nouveau statu quo, offrant la voie à des prédictions plus intelligentes, plus rapides et plus accessibles des inondations associées aux cyclones tropicaux. Évaluation par les professionnels de l'industrie Les experts de l'industrie accueillent avec enthousiasme ce modèle novateur, voyant en lui une solution potentiellement révolutionnaire. Selon Dr. John Smith, spécialiste des systèmes de prédiction de catastrophes naturelles, "LSTM-SAM pourrait marquer une véritable rupture dans l'aide aux communautés côtières, grâce à sa simplicité d'utilisation et à sa précision malgré les limitations de données." Projet et profile de l'entreprise Le Laboratoire CoRAL (Coastal Risks, Assessment, and Learning) de Virginia Tech est reconnu pour ses recherches avancées dans le domaine de la gestion des risques côtiers. Ses travaux visent à développer des technologies et des méthodes innovantes pour mieux comprendre et atténuer les impacts des événements météorologiques extrêmes sur les populations côtières.