Un nouveau cadre algorithmique capable de prédire les inondations pourrait contribuer à sauver des vies et à réduire les ravages à mesure que le changement climatique entraîne des précipitations plus intenses et imprévisibles.

Le modèle décrit dans la Revue internationale des technologies de l'information et de la communication utilise le Système d'inférence neuro-fuzzy adaptatif à plusieurs échelles (MS-ANFIS) et combine l'apprentissage profond avec une forme de logique floue qui quantifie l'incertitude ; caractéristiques qui manquaient dans les modèles d’inondation antérieurs basés sur les données.

La prévision des inondations se concentre généralement sur des modèles hydrologiques cela simule la façon dont les précipitations se déplacent à travers les paysages et dans les rivières. Ceux-ci sont fondés sur les sciences de l’environnement mais dépendent d’informations détaillées sur la surface des terres et peuvent être coûteux en termes de calcul, ce qui limite leur utilité pour des prévisions rapides ou à grande échelle.

Les tentatives visant à réduire les demandes informatiques ainsi qu'à accélérer les prédictions à l'aide d'approches statistiques et précoces d'apprentissage automatique se sont révélées utiles mais ont encore du mal à faire face à diverses sources de données ou à répondre à des événements très localisés.

Même les modèles d’apprentissage en profondeur de pointe, capables de repérer des modèles dans de vastes ensembles de données, traitent les systèmes fluviaux comme étant déterministes dans leur comportement et ne prennent pas en compte la variabilité inhérente due aux conditions météorologiques extrêmes.

MS-ANFIS pourrait boucher les trous dans les approches antérieures. Il utilise un réseau pyramidal de fonctionnalités. Il s’agit d’une architecture d’apprentissage profond qui extrait des informations à plusieurs échelles. Ce faisant, il peut capturer des modèles de ruissellement détaillés et des tendances plus larges des précipitations visibles dans les données satellitaires.

La couche floue interprète ensuite les données et exprime l'incertitude de manière structurée et interprétable. Le résultat est une prévision des inondations avec une mesure de confiance dans la prédiction intégrée.

Les chercheurs ont testé leur système sur les données de cinq bassins fluviaux majeurs, couvrant des conditions météorologiques et un comportement hydrologique nettement différents.

Le modèle d'intervalles de confiance a rapidement capturé plus de 90 % des événements extrêmes. Une telle précision pourrait aider les planificateurs d’urgence à juger quand faire confiance ou à remettre en question une prévision en temps réel. Prévoyez donc l’impact d’une inondation probable avant qu’elle ne se produise grâce aux décisions de gestion et d’évacuation des réservoirs.