Introduction

Les inondations affectent de manière disproportionnée les pays en développement dotés de réseaux de jauges de débit clairsemés, ce qui souligne la nécessité d’alertes précoces précises. L’accélération des catastrophes liées aux inondations dues au changement climatique souligne l’urgence de mettre en place des systèmes d’alerte précoce efficaces, en particulier dans les pays à revenu faible ou intermédiaire où résident 90 % des populations vulnérables. Selon la Banque mondiale, la mise à niveau des systèmes d'alerte précoce contre les inondations dans les pays en développement selon les normes développées pourrait sauver en moyenne 23,000 5 vies par an. Cependant, des défis persistent, notamment la nécessité d'un calibrage des bassins versants individuels et des prévisions limitées dans les régions vulnérables. Dans cet article, nous comprendrons le document de recherche de Google qui explore l'utilisation de l'intelligence artificielle (IA) pour prédire les inondations fluviales jusqu'à 80 jours à l'avance, détaillant ses implications potentielles pour plus de XNUMX pays, en particulier dans les régions vulnérables et pauvres en données.

L'impact dévastateur des inondations

Les inondations constituent le type de catastrophe naturelle le plus courant, et le taux de catastrophes liées aux inondations a plus que doublé depuis 2000. Cette augmentation est attribuée à l’accélération du cycle hydrologique provoquée par le changement climatique anthropique. Les conséquences des inondations sont particulièrement graves dans les pays en développement, où les populations sont très vulnérables aux risques d'inondation. Les conséquences dévastatrices des inondations soulignent le besoin urgent d’alertes précises et opportunes pour atténuer l’impact sur les vies humaines et les biens.

L’état actuel de la prévision des inondations

L’état actuel de la prévision des crues est confronté à des défis, en particulier dans les bassins non jaugés où les modèles de prévision hydrologique ont besoin de données plus fiables pour l’étalonnage. Cette limitation entrave la précision et les délais d'exécution des prévisions d'inondations, en particulier dans les zones vulnérables aux impacts humains des inondations. Le manque de réseaux denses de jauges de débit dans les pays en développement aggrave encore l’imprécision des alertes d’inondation, soulignant la nécessité cruciale d’un meilleur accès mondial à des prévisions de crues fiables.

Une lueur d'espoir : l'IA de Google à la rescousse

Intelligence artificielle (IA) de Google présente une solution prometteuse aux défis de la prévision des inondations mondiales. En tirant parti de l’IA et des ensembles de données ouverts, il est possible d’améliorer considérablement la précision, le rappel et les délais d’exécution des prévisions à court terme des événements fluviaux extrêmes. Le développement d’un système opérationnel qui produit des prévisions accessibles au public en temps réel dans plus de 80 pays démontre le potentiel de l’IA pour fournir des alertes précoces et précises d’inondation dans les bassins non jaugés. Cela marque une avancée significative dans l’amélioration de l’accès mondial à des prévisions de crues fiables et à des systèmes d’alerte précoce.

Document de recherche de Google : L'IA révolutionne la prévision des inondations

La Document de recherche Google présente une avancée significative dans la prévision des inondations à l’aide de l’intelligence artificielle (IA) formée sur des ensembles de données ouverts et publics. L’étude évalue le potentiel de l’IA pour révolutionner l’accès mondial aux prévisions d’événements extrêmes dans les fleuves internationaux. En tirant parti de l'IA, un système opérationnel a été développé pour produire des prévisions d'inondations à court terme (7 jours) dans plus de 80 pays, fournissant des prévisions en temps réel sans barrières d'accès, telles que des frais monétaires ou une inscription sur un site Web.

Utiliser l’IA pour les prévisions mondiales d’inondations

Le document de recherche de Google se penche sur l’utilisation de l’IA pour les prévisions mondiales des crues, en mettant en avant le développement d’un modèle de prévision des débits par l’IA qui étend les travaux antérieurs sur les modèles hydrologiques de prévision immédiate. Le modèle utilise mémoire longue à court terme (LSTM) réseaux pour prédire le débit quotidien sur un horizon de prévision de 7 jours. Notamment, le modèle d’IA n’utilise pas les données de flux comme entrées, ce qui relève le défi de la disponibilité des données en temps réel, en particulier dans les emplacements non jaugés. L'architecture du modèle intègre un modèle d'encodeur-décodeur avec des unités LSTM distinctes pour les données d'entrée météorologiques historiques et prévues.

Des données ouvertes aux prévisions en temps réel

Le système opérationnel développé sur la base du modèle d'IA fournit des prévisions d'inondations en temps réel dans plus de 80 pays, marquant une étape importante dans l'amélioration de l'accès mondial à des alertes d'inondation fiables. La capacité du système à produire des prévisions à court terme sans barrières d'accès, comme en témoigne la disponibilité des prévisions en temps réel

 et gratuitement, souligne le potentiel de l’IA pour améliorer les systèmes d’alerte précoce en cas d’inondations.

Au-delà de l'état de l'art

Les performances du modèle d'IA surpassent celles du système de modélisation mondial de pointe actuel, le système mondial de sensibilisation aux inondations du service de gestion des urgences Copernicus (GloFAS). L'étude rapporte que les prévisions basées sur l'IA atteignent une fiabilité dans la prévision des événements fluviaux extrêmes dans des bassins versants non jaugés dans un délai pouvant aller jusqu'à cinq jours, comparable ou supérieur à la fiabilité des prévisions immédiates de GloFAS. De plus, la précision du modèle d'IA sur les événements d'une période de récurrence de cinq ans est similaire ou meilleure que les précisions actuelles sur les événements d'une période de récurrence d'un an, ce qui indique son potentiel à fournir des alertes d'inondation précoces et précises lors d'événements plus importants et plus percutants dans des bassins non jaugés.

Sous le capot : le modèle de l'IA

Construire le cerveau

Le modèle de prévision du débit IA étend les travaux antérieurs sur les modèles de prévision immédiate hydrologique utilisant les réseaux LSTM pour simuler des séquences de données de débit à partir de données d'entrée météorologiques. Le modèle utilise une architecture codeur-décodeur avec un LSTM fonctionnant sur une séquence historique de données d'entrée météorologiques (le codeur LSTM) et un autre LSTM fonctionnant sur l'horizon de prévision de 7 jours avec des entrées de prévisions météorologiques (le décodeur LSTM). Le modèle n'utilise pas de données de débit comme entrées en raison de l'indisponibilité de données en temps réel dans des emplacements non jaugés, et le benchmark (GloFAS) n'utilise pas d'entrées autorégressives. L'ensemble de données comprend les entrées du modèle et les objectifs de débit pour 152,259 5,680 ans provenant de 60 XNUMX bassins versants, avec une taille totale de XNUMX Go enregistrés sur le disque.

La chronologie des données

La figure montre les périodes de données disponibles pour chaque source utilisée pour l'entraînement et la prédiction avec le modèle d'IA. Au cours de la formation, les données manquantes ont été imputées soit en utilisant une variable similaire provenant d'une autre source de données, soit en imputant une valeur moyenne et en ajoutant un indicateur binaire pour indiquer une valeur imputée. Le modèle utilise une durée de séquence de simulation rétrospective de 365 jours, avec une taille cachée de 256 états de cellule pour les LSTM du codeur et du décodeur.

Dans quelle mesure le modèle d’IA prédit-il ?

Les performances du modèle d'IA ont été évaluées à l'aide d'expériences de validation croisée, avec des données provenant de 5,680 50,000 jauges réparties dans le temps et dans l'espace pour garantir des prédictions hors échantillon. Le modèle prédit les paramètres d'une distribution laplacienne asymétrique unique sur le débit d'écoulement normalisé en fonction de la zone à chaque pas de temps et délai de prévision. Le modèle a été formé sur 256 XNUMX mini-lots avec une taille de lot de XNUMX et des entrées standardisées en soustrayant la moyenne et en divisant par l'écart type des données de la période de formation.

Mettre le modèle à l'épreuve

Les expériences de validation croisée comprenaient des répartitions entre continents, zones climatiques et groupes de bassins versants hydrologiquement séparés. Le modèle d'IA a été évalué hors échantillon, à la fois en termes de lieu et de temps, et les résultats ont été rapportés sur un hydrogramme résultant de la moyenne des hydrogrammes prédits à partir d'un ensemble de trois LSTM codeurs-décodeurs entraînés séparément.

Évaluation du modèle avec les métriques de l'hydrographe

Les mesures de l'hydrogramme pour le modèle d'IA et les jauges d'évaluation globales GloFAS ont été évaluées, les scores diminuant avec l'augmentation du délai d'exécution. Les résultats ont été calculés pour la période 2014-2021 et les mesures ont été répertoriées dans le tableau de données étendu 1. De plus, les mesures de l'hydrogramme pour le modèle AI et GloFAS sur les 1,144 XNUMX jauges où GloFAS est calibré ont été évaluées, avec des scores diminuant avec l'augmentation du plomb. temps.

Qu’est-ce qui fait fonctionner l’IA ?

Les classements d'importance des caractéristiques issus des classificateurs de fiabilité ont été utilisés pour indiquer quels attributs géophysiques déterminent une fiabilité élevée ou faible dans le modèle d'IA. Les caractéristiques les plus essentielles du modèle d'IA comprenaient la zone de drainage, l'évapotranspiration potentielle annuelle moyenne (PET), l'évapotranspiration réelle annuelle moyenne (AET) et l'élévation. Ces attributs étaient corrélés aux scores de fiabilité, indiquant un degré élevé de non-linéarité et d'interaction des paramètres dans le modèle.

Conclusion

Même si la modélisation hydrologique a progressé, de nombreuses régions sujettes aux inondations manquent de systèmes fiables de prévision et d’alerte précoce. Le document de recherche de Google démontre comment l'exploitation de l'IA et des données ouvertes peut améliorer considérablement la précision, le rappel et les délais des prévisions à court terme pour les événements fluviaux extrêmes. Les prévisions basées sur l'IA offrent une solution prometteuse en étendant la fiabilité des prévisions mondiales actuelles à un délai de 5 jours et en améliorant les compétences de prévision en Afrique à des niveaux comparables à ceux de l'Europe.

De plus, la fourniture publique de ces prévisions en temps réel, sans barrières d'accès, permet une diffusion rapide des alertes d'inondation. Malgré ces progrès, il reste encore beaucoup à faire en augmentant l'accès aux données hydrologiques pour former des modèles précis et des mises à jour en temps réel grâce à des initiatives open source comme Caravan. Il est essentiel d’améliorer les prévisions mondiales des inondations et les alertes précoces pour protéger des millions de personnes dans le monde contre les effets dévastateurs des inondations sur les vies et les biens. La combinaison de l’IA, des données ouvertes et des efforts collaboratifs ouvre la voie à cet objectif vital.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/