Google et l'IA révolutionnent la prévision des inondations

Google et l'IA : une avancée inédite pour prédire les inondations soudaines

Les inondations soudaines, bien qu'éphémères, sont parmi les catastrophes naturelles les plus meurtrières, causant la mort de plus de 5 000 personnes chaque année. Leur imprévisibilité les rend particulièrement dangereuses. Google, cependant, pense avoir trouvé une solution innovante à ce problème en se tournant vers les nouvelles.

Malgré l'abondance de données météorologiques collectées par les humains, les inondations soudaines échappent souvent à une mesure précise en raison de leur nature localisée et transitoire. Contrairement à des phénomènes comme la température ou le débit des rivières, ces événements ne laissent que peu de traces mesurables. Ce manque de données complique l'utilisation des modèles d'apprentissage profond, qui ont pourtant fait leurs preuves dans d'autres domaines de la prévision météorologique.

Pour contourner cette difficulté, les chercheurs de Google ont mis à profit Gemini, leur modèle de langage avancé, pour analyser une vaste quantité de données textuelles. Ils ont ainsi passé au crible 5 millions d'articles d'actualités provenant du monde entier, identifiant des rapports relatifs à 2,6 millions d'inondations distinctes. Ces informations ont été transformées en une base de données chronologique et géolocalisée, baptisée "Groundsource". Selon Gila Loike, responsable produit chez Google Research, c'est la première fois que l'entreprise utilise des modèles de langage pour un tel projet. Les résultats de cette recherche ont été rendus publics récemment.

Grâce à Groundsource, les chercheurs ont pu former un modèle basé sur un réseau de neurones Long Short-Term Memory (LSTM). Ce modèle intègre les prévisions météorologiques mondiales pour estimer la probabilité d'inondations soudaines dans des zones spécifiques.

Le modèle de prévision des inondations soudaines de Google est désormais opérationnel dans 150 pays via la plateforme Flood Hub de l'entreprise. Il partage également ses données avec des agences de gestion des urgences à travers le globe. António José Beleza, un responsable des interventions d'urgence à la Communauté de développement de l'Afrique australe, a témoigné de l'efficacité du modèle, affirmant qu'il a permis à son organisation de réagir plus rapidement face aux inondations.

Cependant, le modèle n'est pas sans défauts. Sa résolution reste relativement faible, ne permettant d'identifier les risques que sur des zones de 20 kilomètres carrés. En outre, il n'atteint pas la précision du système d'alerte aux inondations du National Weather Service des États-Unis, notamment parce qu'il n'intègre pas les données radar locales, essentielles pour un suivi en temps réel des précipitations.

L'un des objectifs de ce projet est de fournir une solution là où les gouvernements locaux manquent de ressources pour investir dans des infrastructures météorologiques coûteuses ou ne disposent pas de données météorologiques historiques suffisantes.

Juliet Rothenberg, responsable de programme au sein de l'équipe Résilience de Google, a expliqué que l'agrégation de millions de rapports dans l'ensemble de données Groundsource permet de rééquilibrer la carte des informations disponibles. Cela ouvre la voie à des extrapolations vers des régions moins documentées.

Rothenberg a également exprimé l'espoir que l'utilisation des LLMs pour convertir des sources qualitatives en ensembles de données quantitatives pourrait être étendue à d'autres phénomènes naturels difficiles à prévoir, tels que les vagues de chaleur et les glissements de terrain.

Marshall Moutenot, PDG de Upstream Tech, une entreprise spécialisée dans la prévision des débits fluviaux grâce à des modèles d'apprentissage profond, a salué l'initiative de Google. Selon lui, cette démarche s'inscrit dans un effort plus large visant à rassembler des données pour améliorer les modèles de prévision météorologique basés sur l'apprentissage profond. Moutenot, également cofondateur de dynamical.org, une organisation dédiée à la compilation de données météorologiques pour la recherche et les startups, a souligné que le manque de données constitue un défi majeur en géophysique. Il a qualifié l'approche de Google de "vraiment créative" pour pallier ce déficit.