MIT : une IA simule des tempêtes inédites

Un duo du MIT propose une IA capable de produire des cartes de tempêtes statistiquement plausibles au‑delà de tout ce qui a été observé. L’approche, publiée le 20 août dans Nature Communications, a été testée sur 25 ans de pluies aux États‑Unis et peut esquisser une crue à 300 mm à New York, alors que le record est de 200 mm. Elle génère aussi la durée, l’intensité et l’emprise probable de chaque scénario, pour explorer des « tempêtes centenaires » ville par ville.

Des scénarios extrêmes pour éprouver digues, réseaux et secours

Un utilisateur peut demander à l’algorithme ce à quoi ressemblerait une tempête centenaire pour une ville donnée. La sortie est une série de cartes décrivant des tempêtes statistiquement plausibles à cette fréquence, chacune avec sa propre taille et zone de couverture, et des intensités de précipitations qui varient dans l’espace. Selon Kai Chang, l’outil peut produire de grands volumes de ces scénarios en une fois. Ces cartes servent à explorer des cas hors norme. Elles sont susceptibles d’être utilisées par une ville pour analyser la résistance d’un mur de mer face à une élévation des eaux jamais observée, déterminer si un réseau électrique résisterait à une longue période de chaleur intense, ou évaluer si les ressources de lutte seraient suffisantes pour un feu de forêt dépassant tous ceux connus jusqu’alors. À New York, où la valeur maximale enregistrée s’élève à 200 millimètres, la méthode est capable de produire des cartes cohérentes affichant des précipitations de 300 millimètres, un niveau qui ne figure pas dans les données historiques. Chaque carte fournit également des évaluations concernant la durée, l’intensité et la superficie touchée.

Conditions et limites posées par les données disponibles

L’application à d’autres aléas suppose de disposer à la fois de statistiques ponctuelles et de données spatiales pertinentes pour l’aléa visé, selon Kai Chang et Themis Sapsis. Des extensions sont envisagées vers des visualisations d’inondations sévères et d’incendies de forêt sans équivalent historique, sous réserve de ces jeux de données. Themis Sapsis souligne que des infrastructures mondiales optimisées pour l’efficacité laissent peu de marges. À ses yeux, un événement extrême unique peut se propager en quelques semaines à travers chaînes d’approvisionnement, marchés de l’énergie et systèmes alimentaires. Pouvoir attribuer une probabilité à un événement encore inédit relève ainsi, selon lui, de la résilience nationale et économique.

Ce que l’algorithme apprend à partir de 25 ans de pluie

La méthode a été appliquée aux précipitations mesurées sur le territoire continental des États‑Unis, en utilisant 25 années de données horaires regroupées sous forme de cartes quotidiennes. Dans un premier temps, les scientifiques ont établi des statistiques locales indiquant à quelle fréquence le maximum de précipitations sur une carte atteignait différents seuils sur l’ensemble de la période étudiée. La partie spatiale du modèle a uniquement été formée à partir de cartes de basse et de haute résolution extraites des six premiers mois de ces 25 années, une période qui comprend peu, voire aucun, des épisodes de précipitations les plus intenses. L’algorithme a appris la correspondance entre motifs en basse résolution et détails en haute résolution, puis a imposé les statistiques ponctuelles du corpus complet pour borner l’extrême des motifs générés. Au cœur du procédé, deux familles de données sont reliées statistiquement : des statistiques ponctuelles, qui quantifient la fréquence d’un niveau d’intensité, et des cartes spatiales, qui décrivent la répartition d’un impact. Cette relation autorise la génération de motifs pour des événements plus extrêmes que tout ce qui figure dans l’entraînement, sans exemples préalables de ces cas précis.

Équipe, publication et rupture avec les modèles de risque

Le projet est porté par Kai Chang, étudiant en ingénierie mécanique, et Themis Sapsis, titulaire de la chaire William I. Koch au MIT, tous deux affiliés au MIT Center for Computational Science and Engineering, Sapsis occupant aussi un poste à l’Institute for Data, Systems, and Society. Leur méthode, Extreme Event Aware (η‑learning), est décrite dans Nature Communications, le 20 août. Elle rompt avec des pratiques où l’on entraîne des modèles sur des jeux contenant déjà des extrêmes pour reproduire des schémas similaires, alors que les décideurs veulent visualiser, lieu par lieu, une tempête centenaire. Selon Kai Chang, présumer des catastrophes passées et tenter d’en estimer le risque ou de rejouer exactement ces événements borne la capacité prédictive. Themis Sapsis évoque un « Katrina » qui survient tous les 30 à 40 ans et pose la nécessité de quantifier ce que serait celui d’une période de 100 ans pour aider à préparer des scénarios plausibles. L’équipe revendique ainsi un outil d’IA de prévision d’extrêmes qui n’exige pas d’exemples historiques de catastrophes.