Une étude publiée dans l'International Journal of Power and Energy Conversion démontre que l'intelligence artificielle peut identifier les risques de glissements de terrain à proximité des pylônes électriques, permettant aux gestionnaires de réseaux d'intervenir avant une éventuelle panne. Cette recherche s'inscrit dans le domaine de la détection de changements par télédétection, une méthode qui compare des images d'un même site prises à des moments différents pour repérer les perturbations du paysage. Jusqu'à présent, ces systèmes peinaient avec les glissements de terrain en raison du manque de jeux de données associés à des catastrophes naturelles. L'équipe de recherche a développé un nouveau modèle capable d'analyser des photographies satellites ou issues de drones avant et après un événement. Il repose sur une architecture à réseau jumeau, où deux réseaux neuronaux couplés comparent et traitent les images de différentes périodes. Pour enrichir l'analyse, le système s'appuie sur un modèle de fondation visuelle, un grand réseau préentraîné sur des images de télédétection, afin de mieux comprendre les caractéristiques topographiques et paysagères. Un élément central de cette approche est un module d'alignement basé sur l'attention. Il permet à l'algorithme de filtrer les variations non pertinentes, telles que les changements saisonniers de végétation ou les différences d'éclairage, tout en mettant en évidence les modifications structurelles liées aux risques géologiques. Lorsqu'il a été testé sur des données réelles issues d'une catastrophe, le modèle a surpassé plusieurs méthodes contemporaines de détection de changements. En offrant une capacité de surveillance précoce et fiable, cette technologie pourrait transformer la maintenance des infrastructures électriques. Les opérateurs de réseau seraient en mesure de détecter les déformations du sol à temps et de renforcer ou déplacer les pylônes menacés, réduisant ainsi les interruptions d'approvisionnement et les coûts de réparation. Cette avancée marque une étape prometteuse dans l'intégration de l'intelligence artificielle à la protection des réseaux critiques face aux aléas naturels.