Un modèle d'intelligence artificielle (IA) pourrait améliorer la précision de la prévision des inondations, selon une nouvelle étude publiée dans Nature . Le système s'avère aussi précis, voire amélioré, que les principales méthodes actuelles et pourrait fournir des alertes plus précoces en cas d'inondations importantes.
Le changement climatique d’origine humaine a augmenté la fréquence des inondations dans certaines régions. Les méthodes de prévision actuelles sont limitées par leur recours à des jauges de débit (stations de surveillance le long des rivières), qui ne sont pas réparties uniformément sur le globe. Les rivières non jaugées sont donc plus difficiles à prévoir, et les effets négatifs de cette situation sont principalement ressentis par les pays en développement.
Gray Nearing et ses collègues ont développé un modèle d'IA qui a été formé à l'aide de 5 680 jauges existantes pour prédire le débit quotidien dans des bassins versants non jaugés sur une période de prévision de 7 jours. Le modèle d'IA a ensuite été testé par rapport au principal logiciel mondial de prévision des inondations dans des scénarios à court et à long terme, le Global Flood Awareness System (GloFAS).
Le modèle d'IA a pu fournir des prévisions d'inondations cinq jours à l'avance qui étaient aussi fiables, voire meilleures, que les prévisions du système actuel pour le jour même. De plus, la précision du modèle d'IA lors de la prévision des événements météorologiques extrêmes avec une fenêtre de retour de cinq ans était égale ou supérieure aux prédictions GloFAS pour les événements avec une fenêtre de retour d'un an.
Ces résultats suggèrent que le modèle d'IA peut fournir des alertes d'inondation pour les événements mineurs et extrêmes dans les bassins non jaugés avec une période de préavis plus longue que les méthodes précédentes et pourrait améliorer l'accès à des prévisions d'inondation fiables pour les régions en développement.
Plus d'informations : Gray Nearing et al, Prédiction mondiale des inondations extrêmes dans les bassins versants non jaugés, Nature (2024). DOI :10.1038/s41586-024-07145-1
Informations sur le journal : Nature
Fourni par Springer
