Kevin Sliman
Les inondations représentent jusqu’à 40% des catastrophes liées aux conditions météorologiques dans dans le monde 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 d’inondations mondiales sont maintenant en moyenne de $388 milliards par an. Simultanément, les sécheresses sont de plus en plus répandues et plus dommageables dans 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 la modélisation basée sur la physique pour fournir aux communautés des données fiables et détaillées pour la gestion de l’eau, la réduction des risques d’inondation, la planification des cultures et la protection des écosystèmes.
Le modèle est actuellement réglé avec une résolution pour simuler des zones aussi petites que 36 kilomètres carrés, ou 14 miles carrés, dans le monde entier et zoomer sur 6 kilomètres carrés, ce qui est 2,5 miles carrés, dans des régions avec des données plus détaillées.
« 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 vraiment utile pour la gestion de l’eau à l’échelle locale et la prévision des inondations. 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 n’ont pas ces services. »
Selon l’équipe, le modèle a révélé plusieurs idées importantes. Tout d’abord, il suggère que l’équilibre de l’eau entre les rivières, les eaux souterraines et le paysage n’est pas constant et se déplace fortement d’une année à l’autre et d’un endroit à l’autre en raison des changements climatiques et des précipitations. Par exemple, les débits fluviaux en Europe ont diminué, laissant moins d’eau douce pour les estuaires, augmentant la salinité et modifiant les écosystèmes locaux. Deuxièmement, le taux d’élévation ou de chute d’une rivière ou d’un cours d’eau en raison de la pluie et des réponses dans l’environnement a également radicalement changé à travers le monde. Le nouveau modèle a capturé avec précision ces changements de comportement hydrologique.
Une force clé du modèle est qu’il combine des réseaux de neurones – l’IA conçue pour apprendre d’une manière similaire au cerveau humain – avec des composants basés sur la physique qui reposent sur des équations mathématiques et des lois physiques, a précisé Shen. La partie basée sur la physique représente des parties clés du cycle de l’eau, y compris les précipitations, l’infiltration du sol, la recharge des eaux souterraines, l’écoulement et l’évapotranspiration, qui est le processus d’évaporation de l’eau du sol et de la transpiration des plantes sous forme de vapeur d’eau. Le réseau neuronal apprend alors les paramètres contrôlant ces processus et peut s’ajuster en temps réel pour tous les composants manquants ou simplifiés.
« Cette approche de bout en bout est beaucoup plus robuste, en particulier pour les régions à faible diamance de données où la partie basée sur la physique garantit un comportement de base« , a ajouté Chaopeng Shen. « Les réseaux de neurones sont excellents pour apprendre du big data et combler les lacunes dans les données qu’ils ont déjà vues, mais ils ne sont pas aussi bons 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 qui sont fondés sur la physique de la façon dont le système fonctionne réellement, en particulier lorsque nous examinons des modèles mondiaux. »
Cette nouvelle approche d’apprentissage automatique réduit également considérablement l’effort manuel une fois nécessaire pour affiner les paramètres du modèle pour différentes régions, a noté Chaopeng Shen.
« Les méthodes traditionnelles étaient lentes, limitées en portée et ne pouvaient pas tirer directement des leçons des données du monde réel », a conclu Chaopeng Shen. « L’étalonnage des paramètres était une histoire de sueur et de larmes. Avec une programmation différentiable, les réseaux de neurones couplés peuvent désormais générer automatiquement des paramètres tout en étant entraînés à l’aide de commentaires d’observations. »
Shen a déclaré que l’IA permet une formation sur des milliers de milliards de paramètres, ce qui est bien au-delà de ce qui était possible auparavant. Cela apporte une cohérence, une rapidité et une précision sans précédent par rapport aux techniques passées. Il a indiqué qu’il envisageait le modèle de façonner les décisions concernant l’utilisation de l’eau, l’irrigation, la gestion des inondations et la protection des écosystèmes dans le monde entier. De futures mises à jour pourraient ajouter la qualité de l’eau, le suivi des nutriments et la cartographie des eaux souterraines 3D.
En plus de Shen, les auteurs comprennent Yalan Song, professeur de recherche adjoint au département de génie civil et environnemental; Kathryn Lawson et Jiangtao Liu, deux associés de recherche au département de génie civil et environnemental; Haoyu Ji, étudiant au doctorat au département de génie civil et environnemental; et Tadd Bindas et Farshid Rahmani, récents diplômés du programme d’ingénierie des ressources en eau de Penn State. Une liste complète des auteurs est disponible dans le document publié.
Source : Penn State U.
