Les inondations sont la catastrophe naturelle la plus courante, responsables d’environ **50 milliards de dollars** de dommages financiers annuels dans le monde. Le **taux de catastrophes liées aux inondations a plus que doublé** depuis l’an 2000, en partie **en raison du changement climatique**. Près de **1,5 milliard de personnes**, soit 19 % de la population mondiale, sont exposées à des risques substantiels d’inondations graves. La modernisation des systèmes d’alerte précoce pour rendre des informations précises et opportunes accessibles à ces populations **peut sauver des milliers de vies par an**.
**Prévisions d’inondation globales basées sur l’IA**
Dans « **Prédiction globale des inondations extrêmes dans les bassins versants non jaugés** », publié dans **Nature**, nous démontrons comment les technologies d’apprentissage automatique (ML) peuvent améliorer considérablement les prévisions d’inondation à l’échelle mondiale par rapport à l’état actuel des choses pour les pays où les données liées aux inondations sont rares. Grâce à ces technologies basées sur l’IA, nous avons étendu la fiabilité des prévisions globales actuellement disponibles, de zéro à cinq jours en moyenne, et amélioré les prévisions dans des régions d’Afrique et d’Asie pour qu’elles soient similaires à celles actuellement disponibles en Europe. L’évaluation des modèles a été menée en collaboration avec le Centre européen de prévisions météorologiques à moyen terme (**CEPMMT**).
Ces technologies permettent également à **Flood Hub** de fournir des prévisions fluviales en temps réel jusqu’à sept jours à l’avance, **couvrant** les tronçons fluviaux dans plus de 80 pays. Ces informations peuvent être utilisées par les personnes, les communautés, les gouvernements et les organisations internationales pour prendre des mesures anticipatoires afin d’aider à protéger les populations vulnérables.
**Modélisation des prévisions fluviales**
Les modèles ML qui alimentent l’outil FloodHub sont le produit de nombreuses années de recherche, menées en collaboration avec plusieurs partenaires, notamment des universitaires, des gouvernements, des organisations internationales et des ONG.
En 2018, nous avons **lancé un système d’alerte précoce** dans le bassin de la rivière Gange-Brahmaputra en Inde, avec l’**hypothèse** que l’apprentissage automatique pourrait aider à résoudre le problème complexe des prévisions d’inondation fiables à grande échelle. Le projet pilote a été **étendu** l’année suivante **grâce à la combinaison** d’un modèle d’inondation, de mesures en temps réel du niveau d’eau, de la création d’une carte d’élévation et de la modélisation hydrologique.
**Amélioration continue des prévisions**
Nos modèles hydrologiques prédisent les crues fluviales en traitant des données météorologiques accessibles au public, comme les précipitations et les informations sur les bassins versants physiques. Ces modèles doivent être étalonnés à l’aide de longs enregistrements de données provenant des **stations de jaugeage des débits** des rivières individuelles. Un faible pourcentage de bassins versants (bassins) fluviaux mondiaux disposent de stations de jaugeage des débits, qui sont coûteuses mais nécessaires pour fournir les données pertinentes. Il est difficile pour la simulation et la prévision hydrologiques de fournir des **prédictions dans les bassins** qui ne disposent pas de cette infrastructure. Un **produit intérieur brut (PIB)** plus faible est corrélé à une **vulnérabilité accrue aux risques d’inondation**, et il existe une corrélation inverse entre le PIB national et la quantité de données accessibles au public dans un pays. L’apprentissage automatique contribue à résoudre ce problème en permettant à un **modèle unique d’être entraîné sur toutes les données fluviales disponibles** et d’être appliqué à des bassins non jaugés où **aucune donnée n’est disponible**. De cette façon, les modèles peuvent être entraînés à l’échelle mondiale et peuvent faire des prédictions pour n’importe quel emplacement fluvial.
**Notre collaboration avec les universités** nous a aidés à mettre au point des modèles hydrologiques basés sur l’apprentissage automatique, ce qui a permis de démontrer que les modèles basés sur les **LSTM** pouvaient **produire des simulations plus précises** que les modèles hydrologiques conceptuels traditionnels et basés sur la physique. Ces recherches ont conduit à des **améliorations des prévisions d’inondation** qui ont permis d’**étendre** notre couverture de prévision à l’ensemble de l’Inde et du Bangladesh.
**Regards sur l’avenir**
L’initiative de prévision des inondations fait partie de nos **efforts d’adaptation et de résilience** et reflète l’engagement de Google à **lutter contre le changement climatique** tout en aidant les communautés mondiales à devenir plus résilientes. Nous pensons que l’IA et l’apprentissage automatique continueront à jouer un rôle crucial dans le progrès de la science et de la recherche vers l’action climatique.
Nous collaborons activement avec plusieurs organisations humanitaires internationales (par exemple, le Centre for Humanitarian Data et la Croix-Rouge) pour fournir des prévisions d’inondation exploitables. En outre, dans le cadre d’une collaboration en cours avec l’**Organisation météorologique mondiale** (OMM) pour **soutenir les systèmes d’alerte précoce** pour les risques climatiques, nous menons une étude pour aider à comprendre comment l’IA peut contribuer à relever les défis concrets auxquels sont confrontées les agences nationales de prévision des inondations.
Alors que le travail présenté ici démontre une avancée significative dans la prévision des inondations, des travaux futurs sont nécessaires pour étendre davantage la couverture de prévision des inondations à d’autres endroits du monde et à d’autres types d’événements et de catastrophes liés aux inondations, notamment les crues soudaines et les inondations urbaines. Nous sommes impatients de poursuivre nos collaborations avec nos partenaires des communautés académiques et d’experts, les gouvernements locaux et l’industrie pour atteindre ces objectifs.
**Mots-clés :** Prévisions d’inondation, Apprentissage automatique, Risques climatiques, Résilience, Catastrophes naturelles