+ Prévision des risques naturels
Dernière mise à jour : le 22/05/2019 à 07:00

Observatoire permanent des catastrophes naturelles et des risques naturels

Alertes en cours
Aucune alerte en cours actuellement
Partager via...

Les inondations font partie des catastrophes naturelles les plus courantes - et les plus meurtrières - dans le monde. Chaque année, ils sont responsables de dizaines de milliers de morts et de centaines de millions de propriétaires de maison déplacés. Et elles sont extrêmement coûteuses: rien qu'aux États-Unis, entre 2005 et 2014, le montant moyen des sinistres liés aux inondations s'élevait à 42 000 USD et le nombre total de réclamations d'assurance contre les inondations s'élevant en moyenne à plus de 3,5 milliards de dollars par an.

Une prévision précise des inondations est un objectif souhaitable, il va sans dire; Selon certaines études, les systèmes d'alerte précoce peuvent réduire de plus d'un tiers le nombre de décès et de dommages économiques. Heureusement, l’un des scientifiques continue de progresser avec l’aide de l’intelligence artificielle (IA). Dans un nouvel article (" Machine Learning (ML) for Flood Forecasting at Scale ") publié sur le serveur de préimpression Arxiv.org, des chercheurs de Google, de l'Institut israélien de technologie et de l'Université de Bar-Ilan décrivent un système d'apprentissage automatique qui prédit avec précision les crues des rivières. est, les inondations des rives envahies.

Cette étude est une rétrospective du travail de Google à Patna, en Inde, à la fin de l’année dernière, où la société Mountain View a testé un modèle de prévision des inondations en partenariat avec la Central Water Commission of India. Il s'appuie également sur des recherches publiées par Harvard et Google en août 2018, qui décrivent un modèle d'IA capable de prédire la localisation des répliques jusqu'à un an après un séisme majeur, et par des chercheurs de Facebook sur l'IA en décembre, qui ont développé une méthode d'analyse imagerie et quantifier les dommages causés par les incendies et autres catastrophes.

«La prévision efficace des crues fluviales à l’échelle est entravée par une multitude de facteurs, notamment la nécessité de s’appuyer sur la calibration humaine dans la méthodologie actuelle, la quantité limitée de données pour un emplacement spécifique et la difficulté informatique de la construction… de modèles suffisamment précis , A écrit l’équipe. «L'apprentissage automatique est conçu pour être utile dans ce scénario: les modèles appris dépassent [fréquemment] les experts humains dans des scénarios complexes de grande dimension.»

Comme l'indique le document, l'un des plus grands défis de la création d'un modèle de prévision des crues est la calibration des paramètres, processus d'optimisation visant à faire correspondre les prévisions de l'algorithme à certaines mesures de base. L'approche standard implique un travail manuel important et aboutit souvent à des modèles non généralisables.

Les chercheurs ont surmonté quelques-unes de ces barrières en s’appuyant sur des mesures en temps réel et des prévisions à court terme des niveaux d’eau des rivières, à partir desquelles leur modèle générait une carte des inondations - une carte montrant les zones où des inondations pourraient se produire - estimation l'étendue de l'inondation prévue. Ils affirment que, sur la base des alertes émises pour la saison de la mousson 2018, les prévisions sont précises jusqu'à une résolution de 300 mètres, avec plus de 90% et 75% de rappel et de précision, respectivement.

«Les processus physiques [des inondations] sont relativement bien compris depuis plusieurs décennies maintenant, et relativement peu de calibration [était] nécessaire», ont écrit les auteurs de l'étude.

Cela dit, ce n'est pas un modèle parfait, en raison des coûts de calcul élevés liés aux simulations basées sur la physique et des inexactitudes dues à des entrées erronées. Mais l’équipe estime que les techniques d’apprentissage automatique sont la clé pour améliorer les prévisions dans les travaux futurs et que ces techniques pourraient un jour être utilisées pour prévoir des événements qui ne sont pas simulés par des modèles basés sur la physique, tels que la fonte des neiges et le débit des rivières.

On imagine que les fruits de ces travaux finiront par se retrouver dans le programme Google Public Alert, qui informe les utilisateurs d'applications telles que Google Search, Google Maps et Google News de catastrophes naturelles en cours ou imminentes, telles que des ouragans, des éruptions volcaniques, des tsunamis et des catastrophes naturelles. tremblements de terre. Les agences gouvernementales aux États-Unis, en Australie, au Canada, en Colombie, au Japon, à Taiwan, en Indonésie, au Mexique, aux Philippines, en Inde, en Nouvelle-Zélande et au Brésil participent actuellement à ce programme.

«Nous pensons que le ML peut améliorer la qualité de plusieurs composants», ont-ils déclaré. «Pour rendre cela possible, nous collectons, organisons et combinons des ensembles de données ouverts provenant de différentes sources afin de rendre ce problème plus accessible à la communauté ML.»

Source : Venturebeat

 

 

Grâce à nos outils et solutions de veille par email ou flux RSS, définissez vos critères et obtenez votre revue de presse permanente personnalisée

----------------------------- 

Catnatmaps

Découvrez CATNAT Mapsnotre système d'information géographique en ligne dédié aux risques naturels en France et dans le Monde

Statistiques base BD CATNAT

Nombre d’événements recensés depuis 2001 (vu au 20/05/2019)
  • En France / DOM : 1.751
  • A l’étranger : 14.707
Nombre de victimes recensées depuis 2001 (vu au 20/05/2019)
  • En France / DOM : 27.378
  • A l’étranger : 1.302.129
Coût depuis 2001 en millions de $ (vu au 20/05/2019)
  • En France / DOM : 36.670
  • A l’étranger : 2.865.287
Accès à la BD CATNAT
Statistiques en temps réel

Newsletter CATNAT Info

Recevez GRATUITEMENT tous les samedis les articles publiés durant la semaine écoulée grâce à notre lettre d'information "CATNAT Info"

Alerte & vigilance en cours