Des chercheurs de Penn State ont mis au point un modèle hydrologique novateur, basé sur l'intelligence artificielle, capable de prédire avec précision les inondations et de gérer les ressources en eau à l'échelle mondiale. Combinant l'IA à la modélisation physique, cet outil promet de révolutionner la gestion de l'eau, notamment dans les régions en développement.
À l'heure où les phénomènes météorologiques extrêmes sont de plus en plus fréquents, une avancée majeure de l'Université d'État de Pennsylvanie offre une lueur d'espoir. Des chercheurs ont dévoilé un modèle hydrologique basé sur l'intelligence artificielle, conçu pour prédire les inondations et gérer les ressources en eau à l'échelle mondiale avec une précision sans précédent.
Les catastrophes liées aux inondations ont connu une forte augmentation, représentant désormais jusqu'à 40 % des calamités météorologiques dans le monde. Selon un récent rapport du Bureau des Nations Unies pour la réduction des risques de catastrophes, la fréquence de ces catastrophes a plus que doublé depuis 2000, les pertes mondiales dues aux inondations s'élevant en moyenne à 388 milliards de dollars par an. Parallèlement, les sécheresses sont de plus en plus fréquentes et dévastatrices.
Pour relever ces défis, une équipe de Penn State a développé un modèle qui intègre l'intelligence artificielle à la modélisation physique.
Cette double approche, décrite dans une étude publié Publiée dans la revue Nature Communications, cette publication fournit aux communautés des données fiables pour gérer les ressources en eau, réduire les risques d'inondation, planifier les cultures et protéger les écosystèmes.
« Ce modèle révolutionne l'hydrologie mondiale », a déclaré Chaopeng Shen, professeur de génie civil et environnemental à Penn State et auteur principal de l'étude, dans un communiqué de presse. « Grâce à sa couverture mondiale, sa résolution plus fine et sa haute qualité, un modèle à l'échelle globale peut véritablement être utile à la gestion de l'eau et à la prévision des crues à l'échelle locale. Il peut fournir des connaissances hydrologiques préalables solides pour les missions satellitaires mondiales. Il peut également apporter une aide concrète aux régions sous-développées qui n'avaient pas accès à ces services. »
La résolution du modèle est configurée pour simuler des zones aussi petites que 36 kilomètres carrés (14 miles carrés) dans le monde entier et pour zoomer jusqu'à 6 kilomètres carrés (2.5 miles carrés) dans les régions disposant de données plus détaillées.
Le modèle a déjà permis de révéler des informations importantes, telles que l'évolution de l'équilibre de l'eau entre les rivières, les eaux souterraines et les paysages en raison des changements climatiques.
Par exemple, le débit des fleuves en Europe a diminué, entraînant une réduction des apports d'eau douce aux estuaires, une augmentation de la salinité et une modification des écosystèmes. Le modèle a permis de reproduire fidèlement ces changements hydrologiques, démontrant ainsi sa précision et son potentiel d'applications pratiques.
Ce qui distingue ce modèle, c'est sa combinaison de réseaux neuronaux — une IA conçue pour apprendre comme le cerveau humain — avec des composants basés sur la physique, s'appuyant sur des équations mathématiques et des lois physiques.
« Cette approche globale est bien plus robuste, notamment pour les régions où les données sont rares et où la partie physique garantit un comportement de base », a ajouté Shen. « Les réseaux neuronaux excellent dans l'apprentissage à partir de données massives et la résolution des lacunes dans les données déjà analysées, mais ils sont moins performants pour prédire au-delà de ce cadre. C'est pourquoi il est crucial de combiner les réseaux neuronaux avec des modèles basés sur les processus, ancrés dans la physique du fonctionnement réel du système, en particulier lorsqu'on étudie des tendances globales. »
En réduisant l'effort manuel traditionnellement requis pour ajuster les paramètres du modèle pour différentes régions, Shen a souligné que la nouvelle approche d'apprentissage automatique améliore considérablement l'efficacité.
« Les méthodes traditionnelles étaient lentes, limitées et ne permettaient pas d'apprendre directement à partir de données réelles », a ajouté Shen. « L'étalonnage des paramètres était un processus long et fastidieux. Grâce à la programmation différentiable, les réseaux neuronaux couplés peuvent désormais générer automatiquement des paramètres tout en étant entraînés à partir des observations. »
Cette avancée majeure devrait influencer les décisions relatives à l'utilisation de l'eau, à l'irrigation, à la gestion des inondations et à la protection des écosystèmes à l'échelle mondiale, selon Shen. Les futures mises à jour pourraient inclure la surveillance de la qualité de l'eau, le suivi des nutriments et la cartographie 3D des eaux souterraines.