Dans un monde couvert de capteurs et de satellites, l'accès à des données de haute qualité qui peuvent aider à résoudre les problèmes et à améliorer les systèmes est plus répandu que jamais. Mais avec une telle richesse d'informations à notre disposition, comment savons-nous que nous choisissons les bonnes données et les utilisons correctement?
Des chercheurs de l'Université de l'Arizona ont exploré cette question dans le domaine de l'assurance contre les inondations, et leurs résultats pourraient avoir des implications pour la réponse en cas de catastrophe et la reprise.
Dans une étude récemment publiée dans la revue L'avenir de la Terreles chercheurs ont utilisé un programme d'assurance contre les inondations simulé au Bangladesh pour comparer les ensembles de données d'inondation du monde réel recueillis auprès de cinq sources différentes. L'équipe a constaté que le type de données utilisées affecte non seulement la précision et la vitesse des paiements, mais aussi le niveau de certitude dans l'anticipation de paiements d'assurance futurs, ce qui influence directement les coûts du programme.
Alex Saunders, auteur principal du journal et doctorat. candidat à l'UA de une école de géographie, de développement et d'environnement, a travaillé aux côtés de Kevin Anchukaitis, directeur du laboratoire de recherche sur les arbres et professeur de géographie des systèmes de terre; Andrew Bennett, professeur adjoint d'hydrologie et de sciences atmosphériques; Beth Tellman, ancien professeur adjoint; et Jonathan Giezendanner, ancienne associée de recherche, toutes deux à l'École de géographie, de développement et d'environnement. L'équipe comprenait également des chercheurs de Virginia Tech, de l'Université d'ingénierie et de la technologie du Bangladesh et du Bangladesh Water Development Board.
Saunders pense que leurs résultats pourraient profiter aux résidents dans les zones sujettes aux inondations du monde entier en mettant en évidence les fournisseurs d'assurance comment la sélection des données les plus appropriées d'un large éventail d'options peut améliorer la réponse aux catastrophes et la protection financière.
« De plus en plus d'inondations se produisent chaque année, ce qui entraîne une augmentation du total des dégâts qu'ils causent », a-t-il déclaré. « Dans le cas de l'assurance, la création d'un outil plus précis qui aide les gens à recevoir des paiements plus opportuns pourraient les aider à surmonter certaines des pires moments de leur vie. »
Les gouvernements, les organisations à but non lucratif et les industries comme l'agriculture, l'assurance et l'énergie reposent de plus en plus sur les données d'observation de la Terre: informations recueillies à partir de satellites, d'avions et de capteurs au sol qui surveillent la planète. Les experts utilisent ces données pour guider la gestion durable des ressources, prédire le changement environnemental et répondre aux catastrophes naturelles.
Dans le cas de l'assurance contre les inondations, les sociétés s'appuient de plus en plus sur des indicateurs indirects des dommages, tels que les niveaux de précipitations ou la hauteur de la rivière – plutôt que d'évaluer directement les dommages dans les réclamations d'assurance, qui peuvent être coûteux en termes de frais et du temps nécessaire. Ces proxys sont combinés en indices, seuils numériques qui déclenchent les paiements une fois croisés. Malgré leur utilisation croissante, Saunders a noté que les aspects fondamentaux de ce système, tels que les sources de données incluses dans les indices d'assurance, manquent souvent de tests complets.
Pour résoudre ce problème, Saunders et ses collègues ont étudié les saisons de mousson du Bangladesh entre 2004 et 2023. Ils ont analysé les données des précipitations, les niveaux de rivière et les cartes d'inondation de la National Flood Agency, ainsi que deux types de données par satellite pour mesurer la couverture de l'eau. Une méthode satellite a utilisé des lectures traditionnelles en eau de surface, tandis que l'autre s'appuyait sur un modèle d'intelligence artificielle conçu spécifiquement pour suivre les modèles d'inondation de mousson au Bangladesh.
Le modèle propulsé par l'IA a réussi à capturer la progression des eaux d'inondation, tandis que la méthode satellite traditionnelle a livré des estimations peu fiables lorsqu'il y avait un niveau élevé de couverture nuageuse.
Les chercheurs ont ensuite testé les cinq méthodes en évaluant lorsque l'assurance a été déclenchée au cours de la période de 20 ans, à quelle vitesse ces paiements se sont produits et à quel point ils étaient prévisibles.
Leur analyse a révélé qu'aucun ensemble de données unique n'a surperformé les autres, bien que le choix des données ait eu un impact sur les résultats. Dans certains cas, différents indices étaient en désaccord sur la question de savoir si les paiements devraient se produire. Ces écarts étaient encore plus prononcés au niveau régional, où les variations locales ont rendu certains ensembles de données moins fiables. La combinaison ou la comparaison de plusieurs sources a également amélioré la confiance dans les décisions de paiement.
« Une jauge de cours d'eau peut nous dire à quelle hauteur est une rivière, mais cela ne signifie pas automatiquement qu'il y a des inondations – ou que les gens sont à proximité et à risque », a déclaré Saunders. « Les satellites peuvent montrer la surface d'une région entière, mais les données des précipitations peuvent être tout aussi utiles, même si la pluie ne mène pas toujours à des inondations si l'eau coule ailleurs. C'est pourquoi il peut prendre plusieurs ensembles de données pour vraiment comprendre les inondations. »
Saunders a ajouté que l'un des résultats les plus intéressants de l'étude provenait du modèle satellite alimenté par l'IA grâce à sa capacité à détecter les inondations même pendant la couverture nuageuse persistante. Par rapport à la méthode satellite traditionnelle testée par les chercheurs, l'approche de l'IA a déclenché des paiements en moyenne une semaine plus tôt. L'approche plus récente a également réduit l'incertitude des paiements prévus de plus de 20%, ce qui réduit les coûts d'assurance potentiels pour les clients.
Saunders recommande que les programmes d'assurance contre les inondations basés sur l'indice testent un large éventail de sources de données avant la mise en œuvre, intègrent plusieurs indices pour réduire le risque de paiements manqués ou inutiles et explorer de nouvelles technologies comme l'IA pour améliorer la précision et la rapidité.
« Les assureurs peuvent être guidés dans leur prise de décision en fonction des données les plus facilement disponibles, mais il existe une pléthore de choix et plus de types de données par des moyens comme les capteurs satellites », a déclaré Saunders. « Mais ce n'est pas parce qu'un ensemble de données spécifique est facilement disponible ou basé sur la nouvelle technologie que c'est le bon pour un scénario donné. Les gens devraient considérer et comparer toute la gamme d'informations disponibles pour rechercher les meilleures solutions. »
Le besoin de systèmes d'assurance plus précis est urgent. Entre 2000 et 2023, seulement 16% des 1,77 billion de dollars des pertes économiques mondiales ont été assurés, laissant les gouvernements, les entreprises et les ménages pour absorber l'écrasante majorité des coûts. Assurance et réassurance – La pratique des assureurs transférant le risque à d'autres assureurs – Dépend de l'information précise et opportune pour soutenir un secours efficace et une récupération dans les communautés touchées par les inondations.
En utilisant différentes sources de données d'observation de la Terre, Saunders a déclaré que les gouvernements, les assureurs et autres organisations pourraient avoir un aperçu critique avec lequel prendre des décisions importantes et modifiées – tant qu'elles utilisent à bon escient ces données.
