L'IA améliore les prévisions de crues éclair aux États-Unis

Une équipe de chercheurs, notamment de l'Université Penn State et de l'Institut Océanographique Scripps, a développé un modèle d'intelligence artificielle capable de prévoir avec précision les crues subites à l'échelle horaire. Publié dans la revue Water Resources Research, ce travail transpose des techniques d'IA générative, initialement conçues pour la création d'images, à la prévision hydrologique. Les crues subites, responsables d'environ 85 pour cent des inondations mondiales, se produisent en quelques heures avec des niveaux d'eau pouvant varier drastiquement. Les systèmes de prévision quotidiens classiques peinent à capturer ces pics dangereux. Pour pallier ce manque de précision, les chercheurs ont entraîné leur modèle sur des données de précipitations et de débit fluvial collectées entre 1990 et 2003 dans 516 bassins versants américains. Lors des tests sur une période non vue durant l'entraînement, soit entre 2009 et 2014, l'approche a surpassé les modèles d'apprentissage automatique actuels, notamment pour estimer les débits lors des crues, traditionnellement les plus difficiles à prévoir. La méthode repose sur le processus de diffusion, utilisé dans la génération d'images. Le modèle apprend à restaurer des données claires à partir d'informations bruitées, ce qui le rend particulièrement adapté à la nature imprévisible des pluies horaires. Cette architecture permet également l'intégration en temps quasi réel des relevés des stations de jauge sans nécessiter de nouveau entraînement. Le système peut enfin fonctionner à l'envers : à partir d'un débit observé, il peut estimer les précipitations horaires ayant probablement provoqué l'événement. Selon le professeur Chaopeng Shen, principal auteur, l'objectif n'est pas de créer le modèle mathématiquement le plus complexe, mais de concevoir un outil robuste et fiable au service de la sécurité civile. Les prochaines étapes consisteront à explorer des méthodes d'entraînement hybrides et à intégrer davantage de variables physiques. Cette avancée marque un pas significatif vers des alertes précoces plus précises, capables de protéger les communautés vulnérables face à l'aggravation des aléas climatiques.