Cela a commencé comme un bâtiment de rugissement bas et obsédant au loin. Il est devenu un tonnerre assourdissant qui s'est noyé tout le reste. Le ciel a tourné une nuance de vert contre nature, puis noir. Le vent s'est enflammé sur les arbres et les bâtiments avec une force brutale. Sirènes gémit. Les fenêtres et les bâtiments ont explosé.
Au printemps 2011, Joplin, Missouri, a été dévasté par une tornade EF5 avec des vents estimés dépassant 200 mph. La tempête a provoqué 161 décès, blessé plus de 1 000 personnes et endommagé et détruit environ 8 000 maisons et entreprises. La tornade a sculpté un chemin de kilomètre de large à travers la zone du centre-sud densément peuplé de la ville, laissant derrière lui des kilomètres de décombres éclatés et causant plus de 2 milliards de dollars de dégâts.
Les vents puissants de tornades dépassent souvent les limites de conception de la plupart des bâtiments résidentiels et commerciaux. Les méthodes traditionnelles d'évaluation des dommages après une catastrophe peuvent prendre des semaines, voire des mois, en retardant les interventions d'urgence, les réclamations d'assurance et les efforts de reconstruction à long terme.
De nouvelles recherches de l'Université Texas A&M pourraient changer cela. Dirigés par le Dr Maria Koliou, professeur agrégé et professeur de développement de carrière Zachry II dans le département de génie civil et environnemental de Zachry de Texas A&M, les chercheurs ont développé une nouvelle méthode qui combine des modèles de télédétection, d'apprentissage en profondeur et de restauration pour accélérer les évaluations des dommages du bâtiment et prédire les temps de récupération après une tornade. Une fois les images post-événement disponibles, le modèle peut produire des évaluations des dommages et des prévisions de récupération en moins d'une heure.
Les chercheurs ont publié leur modèle dans la revue Villes durables et société.
« Les inspections manuelles sur le terrain sont à forte intensité de main-d'œuvre et prennent du temps, retardant souvent les efforts de réponse critique », a déclaré Abdullah Braik, co-auteur et doctorant en génie civil chez Texas A&M. « Notre méthode utilise des images de détection haute résolution et des algorithmes d'apprentissage en profondeur pour générer des évaluations des dommages en quelques heures, fournissant immédiatement aux premiers intervenants et décideurs politiques. »
Le modèle fait plus que d'évaluer les dommages – il aide également à prédire les coûts de réparation et d'estimer les temps de récupération. Les chercheurs peuvent évaluer ces délais et ces coûts dans différentes situations en combinant la technologie d'apprentissage en profondeur, un type d'intelligence artificielle, avec des modèles de récupération avancés.
« Nous visons à fournir aux décideurs une évaluation des dommages presque instantanés et des prévisions de rétablissement probabiliste, garantissant que les ressources sont allouées efficacement et équitablement, en particulier pour les communautés les plus vulnérables », a déclaré Braik. « Cela permet une prise de décision proactive au lendemain d'une catastrophe. »
Comment ça marche
Les chercheurs ont combiné trois outils pour créer le modèle: la télédétection, l'apprentissage en profondeur et la modélisation de la restauration.
La télédétection utilise des images satellites ou aériennes à haute résolution provenant de sources telles que la NOAA pour montrer l'étendue des dommages sur de grandes zones.
« Ces images sont cruciales car elles offrent une vue macro-échelle de la zone affectée, permettant une détection rapide des dégâts à grande échelle », a déclaré Braik.
Deep Learning analyse automatiquement ces images pour identifier la gravité des dommages avec précision. L'IA est formée avant les catastrophes en analysant des milliers d'images d'événements passés, apprenant à reconnaître les signes visibles de dommages tels que les toits effondrés, les murs manquants et les débris dispersés. Le modèle classe ensuite chaque bâtiment en catégories telles que aucun dommage, dommages modérés, dommages majeurs ou détruits.
La modélisation de la restauration utilise des données de récupération antérieures, des détails de construction et d'infrastructure et des facteurs communautaires – comme les niveaux de revenu ou l'accès aux ressources – pour estimer la durée de la durée pour les maisons et les quartiers pour récupérer dans différentes conditions de financement ou de politique.
Lorsque ces trois outils sont combinés, le modèle peut rapidement évaluer les dommages et prédire les délais de récupération à court et à long terme pour les communautés affectées par les catastrophes.
« En fin de compte, cette recherche comble l'écart entre l'évaluation rapide des catastrophes et la planification stratégique de reprise à long terme, offrant un cadre de risque mais pratique pour améliorer la résilience post-tornade », a déclaré Braik.
Tester le modèle
Koliou et Braik ont utilisé des données de la Tornado Joplin 2011 pour tester leur modèle en raison de sa taille, de son intensité et de sa disponibilité massives d'informations post-catastrophes de haute qualité. La tornade a détruit des milliers de bâtiments, créant un ensemble de données diversifié qui a permis de former et de tester le modèle à différents niveaux de dommages structurels. Des évaluations détaillées des dommages au niveau du sol ont fourni une référence fiable pour vérifier comment le modèle pourrait classer avec précision la gravité des dommages.
« L'une des conclusions les plus intéressantes était que, en plus de détecter les dommages avec une grande précision, nous pouvions également estimer la piste de la tornade », a déclaré Braik. « En analysant les données sur les dégâts, nous pourrions reconstruire le chemin de la tornade, qui correspondait étroitement aux enregistrements historiques, offrant des informations précieuses sur l'événement lui-même. »
Directions futures
Les chercheurs travaillent sur l'utilisation de ce modèle pour d'autres types de catastrophes, tels que les ouragans et les tremblements de terre, tant que les satellites peuvent détecter les modèles de dommages.
« La clé de la généralisation du modèle réside dans l'entraînement à utiliser les images passées à partir de dangers spécifiques, ce qui lui permet d'apprendre les modèles de dégâts uniques associés à chaque événement », a déclaré Braik. « Nous avons déjà testé le modèle sur les données des ouragans, et les résultats ont montré un potentiel prometteur pour s'adapter à d'autres dangers. »
L'équipe de recherche estime que leur modèle pourrait être critique dans la future réponse en cas de catastrophe, aidant les communautés à récupérer plus rapidement et plus efficacement. L'équipe souhaite étendre le modèle au-delà de l'évaluation des dommages pour inclure des mises à jour en temps réel sur les progrès de la récupération et le suivi de la récupération au fil du temps.
« Cela permettra une prise de décision plus dynamique et éclairée à mesure que les communautés reconstruisent », a-t-il déclaré. « Nous visons à créer un outil fiable qui améliore l'efficacité de la gestion des catastrophes et prend en charge les efforts de récupération plus rapides. »
La technologie a le potentiel de transformer la façon dont les responsables des urgences, les assureurs et les décideurs politiques réagissent dans les heures et jours cruciaux après une tempête en offrant des évaluations et des projections de récupération proches.
