Le MIT anticipe des pluies extrêmes inédites

Le MIT avance une méthode d’IA capable de prévoir des événements météorologiques extrêmes sans apprendre directement de catastrophes historiques comparables. Kai Chang, étudiant diplômé en génie mécanique, et le professeur Themis Sapsis ont développé cette méthode. Elle produit des cartes d’événements statistiquement plausibles, même lorsque ces événements n’apparaissent pas dans les archives d’une région. Chaque carte estime aussi la durée, l’intensité et la zone touchée. Baptisée Extreme Event Aware, ou apprentissage η, la méthode a été présentée dans un article publié le 20 août dans Nature Communications. Le dossier original situe ces travaux entre planification des catastrophes, prévision des inondations et évaluation des risques.

Les modèles changent généralement de logique lorsqu’ils évaluent les risques météorologiques. Les assureurs, les urbanistes et les gestionnaires de réseaux cherchent souvent à savoir à quoi ressemblerait une tempête centennale dans un lieu précis. Les simulations actuelles dépendent habituellement de données contenant déjà des événements extrêmes. Elles apprennent les conditions associées à ces événements avant de projeter des configurations similaires. Kai Chang estime que cette approche limite les scénarios visibles. Themis Sapsis cite l’ouragan Katrina, survenu environ tous les 30 à 40 ans. Son équipe cherche à quantifier ce que pourrait être un événement comparable revenant tous les 100 ans.

Le MIT combine deux types de données

La méthode associe deux représentations complémentaires. Les statistiques ponctuelles indiquent la fréquence d’un niveau d’intensité donné. Elles peuvent notamment mesurer la fréquence d’un maximum de précipitations sur une carte. Les cartes spatiales montrent ensuite comment l’impact varie à travers une région. L’algorithme apprend la relation statistique entre ces deux informations. Il peut ainsi construire des motifs spatiaux dépassant les exemples exacts présents dans les données d’entraînement. Les chercheurs ont testé cette approche sur les précipitations des États-Unis continentaux. Ils ont utilisé 25 années de données horaires, regroupées en cartes quotidiennes, puis calculé les statistiques des maxima observés sur l’ensemble de cette période.

L’entraînement spatial s’est appuyé sur une fenêtre beaucoup plus courte. Les chercheurs ont utilisé des cartes appariées, en basse et haute résolution, provenant des six premiers mois de la période étudiée. Cette période contenait peu d’exemples, voire aucun, des niveaux de précipitations les plus élevés. Le modèle a appris à relier les structures générales des cartes basse résolution aux détails des cartes haute résolution. Les statistiques issues des 25 années complètes ont ensuite contraint l’intensité des motifs générés. À New York, la méthode peut produire une carte correspondant à 300 millimètres de pluie. Le record observé dans la ville atteint 200 millimètres.

Les cartes testent les infrastructures

Les utilisateurs peuvent demander au modèle de représenter une tempête centennale pour une ville nommée. La sortie comprend des cartes de tempêtes statistiquement plausibles à cette fréquence. Chaque carte fournit une estimation de la taille et de la zone couverte. L’intensité des précipitations varie également d’un scénario à l’autre. Selon Kai Chang, l’algorithme peut générer un grand volume de scénarios simultanément. Ces cartes pourraient servir à tester une digue face à une submersion dépassant tous les événements enregistrés. Elles pourraient aussi examiner la résistance d’un réseau électrique pendant une vague de chaleur plus longue. Les services de lutte contre les incendies pourraient enfin évaluer un feu plus vaste que ceux archivés.

L’extension dépend toutefois de données adaptées à chaque type de danger. Kai Chang et Themis Sapsis indiquent qu’une nouvelle application nécessite des statistiques ponctuelles et des données spatiales spécifiques. Ils évoquent notamment la visualisation d’inondations sévères et d’incendies de forêt sans équivalent historique. Themis Sapsis relie cette capacité aux contraintes des infrastructures mondiales, optimisées pour l’efficacité avec peu de marge disponible. Selon lui, un événement extrême peut se propager en quelques semaines aux chaînes d’approvisionnement, aux marchés de l’énergie et aux systèmes alimentaires. L’équipe présente donc l’attribution d’une probabilité à un événement inédit comme une question de résilience nationale et économique. Retrouvez aussi nos analyses dans Signal IA.