L'IA peut-elle prédire les inondations fluviales 72 heures à l'avance en utilisant uniquement des satellites publics ?

L'intelligence artificielle peut-elle déduire une inondation imminente de rivière à partir d'images satellites publiques et de données météorologiques de base uniquement, sans s'appuyer sur des jauges de rivière ou des cartes de drainage ? Ce défi isole le rôle du raisonnement spatial précoce dans la prédiction des inondations.

Background

Les systèmes de prévision des inondations combinent généralement des modèles hydrologiques avec des données de capteurs en temps réel tels que les stations de mesure de niveau des rivières, les mesures de débit et les cartes des infrastructures de drainage. Les sources publiques par satellite incluent les images optiques et radar à synthèse d'ouverture (SAR) provenant de missions comme Sentinel-1/2 et Landsat, qui fournissent une cartographie de l'étendue des inondations à moyenne résolution, ainsi que des estimations de précipitations à partir des données du Global Precipitation Measurement (GPM) de la NASA et des ensembles de données CMORPH de la NOAA. Les capteurs SAR sont particulièrement utiles en raison de leur capacité d'imagerie par tous les temps, de jour comme de nuit. Les systèmes opérationnels d'alerte précoce contre les inondations, tels que le European Flood Awareness System (EFAS) et le National Water Model de la NOAA, reposent sur des modèles hydrologiques calibrés par les stations de mesure, tandis que les efforts de recherche ont exploré l'utilisation de l'étendue des eaux et des précipitations dérivées des satellites pour détecter et prévoir les inondations dans les bassins non instrumentés. Des études montrent que les modèles d'IA entraînés sur des observations satellitaires historiques et des précipitations prévues peuvent anticiper les événements de crue 24 à 48 heures à l'avance dans certains cas, mais la précision se dégrade pour des horizons plus longs en raison de l'incertitude des prévisions de précipitations et de la résolution limitée des données satellitaires.

Des études de télédétection ont montré que les flux satellitaires optiques et radar disponibles gratuitement (par exemple, Sentinel-1/2, MODIS) peuvent détecter des indicateurs antécédents tels que les sols saturés, les panaches de fonte des neiges et la croissance des nuages convectifs jusqu'à 72 heures avant le débit maximal. Les modèles hydrologiques opérationnels fusionnent historiquement ces scènes avec les relevés des stations de mesure et les modèles numériques d'altitude, mais des travaux récents démontrent que des prédicteurs purement basés sur des images, combinés à des champs de prévision numérique du temps grossiers, peuvent égaler ou dépasser les performances des modèles traditionnels de pluie–débit dans les bassins non instrumentés. Les ensembles de données de référence construits à partir d'archives internationales d'inondations (par exemple, Dartmouth Flood Observatory, Copernicus EMS) fournissent des milliers d'événements étiquetés qui permettent l'entraînement supervisé d'architectures convolutionnelles et de transformateurs pour la cartographie spatiotemporelle des risques d'inondation. La validation croisée sur des bassins africains et d'Asie du Sud-Est indique que les modèles entraînés uniquement sur des données publiques conservent une compétence à résolution quotidienne dans une marge de ±20 % de la hauteur et du moment du pic à 72 heures d'échéance, avec les meilleures performances dans les régions tropicales humides et de mousson où le radar pénétrant les nuages est décisif. Les limitations persistent dans les zones de crues éclair arides et sous une couverture nuageuse persistante, où les lacunes temporelles dégradent la précision malgré les techniques de fusion optique–SAR et d'augmentation des données. L'intégration des prévisions de précipitations en temps quasi réel à partir de satellites géostationnaires stabilise davantage les prévisions à 72 heures, mais la meilleure compétence en termes d'échéance rapportée repose toujours sur au moins une couche d'altitude numérique haute résolution pour le routage hydraulique.

— Enriched 16 mai 2026 · Source : Remote Sensing of Environment, 2023