Les inondations représentent jusqu'à 40 % des catastrophes liées aux conditions météorologiques dans le monde, et leur fréquence a plus que doublé depuis 2000, selon un récent rapport du Bureau des Nations Unies pour la réduction des risques de catastrophe. Les pertes mondiales dues aux inondations s'élèvent désormais en moyenne à 388 milliards de dollars par an. Simultanément, les sécheresses deviennent de plus en plus répandues et de plus en plus dommageables à travers le monde.
Pour aider à relever ces défis, une équipe de chercheurs a développé un modèle hydrologique capable de prévoir les impacts des inondations et de gérer les ressources en eau à l’échelle mondiale. L'approche combine l'intelligence artificielle (IA) avec une modélisation basée sur la physique pour fournir aux communautés des données fiables et détaillées pour gérer l'eau, réduire les risques d'inondation, planifier les cultures et protéger les écosystèmes.
Le modèle est actuellement configuré avec une résolution permettant de simuler des zones aussi petites que 36 kilomètres carrés, ou 14 milles carrés, dans le monde entier et de zoomer jusqu'à 6 kilomètres carrés, soit 2,5 milles carrés, dans les régions disposant de données plus détaillées. Les conclusions de l'équipe ont été publiées dans Communications naturelles.
« Ce modèle change la donne pour l'hydrologie mondiale », a déclaré Chaopeng Shen, professeur de génie civil et environnemental à Penn State et auteur correspondant. « En raison de sa couverture mondiale, de sa résolution plus fine et de sa haute qualité, il devient plausible qu'un modèle à l'échelle mondiale soit véritablement utile pour la gestion de l'eau et la prévision des inondations à l'échelle locale. Il peut fournir de solides connaissances hydrologiques préalables pour les missions satellitaires mondiales. Il peut également fournir une assistance pratique aux régions sous-développées qui manquaient de ces services. «
Selon l’équipe, le modèle a révélé plusieurs informations importantes. Premièrement, cela suggère que l’équilibre hydrique entre les rivières, les eaux souterraines et le paysage n’est pas constant et change fortement d’année en année et d’un endroit à l’autre en raison des changements climatiques et des précipitations.
Par exemple, le débit des fleuves en Europe a diminué, laissant moins d’eau douce pour les estuaires, augmentant la salinité et modifiant les écosystèmes locaux. Deuxièmement, la vitesse à laquelle une rivière ou un ruisseau monte ou descend en raison de la pluie et les réactions de l’environnement ont également radicalement changé à travers le monde. Le nouveau modèle a capturé avec précision ces changements de comportement hydrologique.
L'un des principaux atouts du modèle est qu'il combine des réseaux neuronaux (une IA conçue pour apprendre d'une manière similaire au cerveau humain) avec des composants basés sur la physique qui s'appuient sur des équations mathématiques et des lois physiques, a déclaré Shen.
La partie basée sur la physique représente les éléments clés du cycle de l'eau, notamment les précipitations, l'infiltration du sol, la recharge des eaux souterraines, l'écoulement des cours d'eau et l'évapotranspiration, qui est le processus par lequel l'eau s'évapore du sol et transpire des plantes sous forme de vapeur d'eau. Le réseau neuronal apprend ensuite les paramètres contrôlant ces processus et peut s'ajuster en temps réel pour tout composant manquant ou simplifié.
« Cette approche de bout en bout est beaucoup plus robuste, en particulier pour les régions où les données sont rares et où la partie basée sur la physique garantit le comportement de base », a déclaré Shen. « Les réseaux de neurones sont excellents pour apprendre du Big Data et combler les lacunes des données qu'ils ont déjà constatées, mais ils ne sont pas aussi efficaces pour prédire au-delà de cette plage.
« C'est pourquoi il est si important de combiner les réseaux de neurones avec des modèles basés sur des processus fondés sur la physique du fonctionnement réel du système, en particulier lorsque nous examinons des modèles globaux. »
Cette nouvelle approche d'apprentissage automatique réduit également considérablement l'effort manuel nécessaire pour affiner les paramètres du modèle pour différentes régions, a noté Shen.
« Les méthodes traditionnelles étaient lentes, de portée limitée et ne permettaient pas d'apprendre directement des données du monde réel », a déclaré Shen. « L'étalonnage des paramètres a été une histoire de sueur et de larmes. Grâce à la programmation différenciable, les réseaux neuronaux couplés peuvent désormais générer automatiquement des paramètres tout en s'entraînant à l'aide des retours d'observations. »
Shen a déclaré que l’IA permet de s’entraîner sur des milliards de paramètres, ce qui va bien au-delà de ce qui était possible auparavant. Cela apporte une cohérence, une rapidité et une précision sans précédent par rapport aux techniques précédentes.
Shen a déclaré qu'il envisageait que le modèle façonne les décisions concernant l'utilisation de l'eau, l'irrigation, la gestion des inondations et la protection des écosystèmes dans le monde entier. Les futures mises à jour pourraient ajouter la qualité de l’eau, le suivi des éléments nutritifs et la cartographie 3D des eaux souterraines.
