Le dégel, les différences de niveau du sol, la quantité d’eau reçue et son débit : ce sont trois des variables entrant en jeu dans les inondations, rendant ce phénomène très difficile à anticiper. D’autant plus lorsqu’il s’agit de prévenir la population du danger que cela pourrait représenter et de l’informer quant aux possibles zones touchées. Une équipe de chercheurs de l’Université de Tohoku au Japon a développé une plateforme utilisant l’intelligence artificielle afin d’identifier rapidement les potentiels bâtiments inondés et inondables.
Une étude sur les inondations et les photographies des médias
Dans un article publié le 5 avril dernier, Genki Odaka, Luis Moya, Erick Mas et Shunichi Koshimura, tous les quatre chercheurs de l’Université de Tohoku, ont mis en avant leurs recherches visant à identifier l’étendue des inondations et des bâtiments touchés. Derrière leur volonté d’étudier ce phénomène, deux objectifs :
- proposer une réponse concrète d’adaptation aux catastrophes, comme la mise en place d’opérations de sauvetage,
- et analyser les moindres risques d’inondations à venir pour essayer de prévoir leur arrivée.
Les scientifiques ont créé un modèle de machine learning capable d’utiliser les photographies prises par les médias afin d’identifier avec précision quels bâtiments sont inondés, et ce, dans les 24 heures après le début de l’inondation. Grâce à ce modèle, les experts ont pu démontrer que les rapports rédigés rapidement par les médias ont une importance cruciale pour déterminer les zones d’inondés et réaliser une cartographie précise des dommages.
Un modèle d’apprentissage supervisé
Ce modèle a été testé lors d’une inondation due à de fortes pluies survenues à Kurashiki, au Japon. En premier lieu, les chercheurs ont identifié des photos publiées par la presse et les ont géolocalisées en fonction des repères et autres indices présents sur l’image. Ils ont ensuite utilisé des images radars à synthèse d’ouverture, fournies par l’agence d’exploration aérospatiale japonaise (JAXA), pour mettre en évidence les zones inondées et non inondées. Enfin, l’apprentissage supervisé a été pour qu’une machine à vecteurs de support puisse classer les bâtiments en deux catégories : “inondés” et “non inondés mais situés en zone inondée”.
Les chercheurs ont constaté que les informations recueillies et traitées de cette manière dans les 24 heures après une catastrophe pouvaient permettre de classer les bâtiments avec une précision d’environ 80%. Cette étude a mis en avant l’utilité des méthodes de machine learning et plus précisément celles des méthodes d’apprentissage supervisé.
Toute la pertinence de ce modèle repose sur les séries de données utilisées afin d’entrainer le modèle. Comme indiqué précédemment, les inondations sont et restent des phénomènes imprévisibles. Chaque épisode est différent, et sera soumis aux multiples variables qui composent les inondations, mais également aux caractéristiques géographiques de la zone inondée. D’où l’intérêt grandissant de se procurer les photographies d’inondations prises par les utilisateurs de réseaux sociaux ou par les médias.
