Google exploite les données historiques relatives à l'actualité et l'intelligence artificielle pour prévoir les crues soudaines

Les crues soudaines comptent parmi les phénomènes météorologiques les plus meurtriers de la planète, faisant plus de 5 000 victimes chaque année. Elles sont également réputées pour être particulièrement difficiles à prévoir. Google estime toutefois avoir trouvé une solution novatrice à ce problème : l'analyse des dépêches d'actualité.

Bien que l'humanité ait accumulé de vastes quantités de données météorologiques, les crues soudaines sont trop brèves et trop localisées pour être mesurées de manière systématique, contrairement aux tendances de température ou de débit fluvial suivies au fil du temps. Ce manque de données empêche les modèles d'apprentissage profond, même s'ils deviennent de plus en plus performants en matière de prévisions météorologiques générales, de prévoir avec précision les crues soudaines.

Pour combler cette lacune, les chercheurs de Google ont utilisé Gemini — le grand modèle linguistique de l'entreprise — pour passer au crible 5 millions d'articles d'actualité mondiaux. Ce processus a permis d'identifier des reportages sur 2,6 millions d'événements d'inondation distincts, les convertissant en une chronologie géolocalisée baptisée « Groundsource ». Selon Gila Loike, chef de produit chez Google Research, il s'agit de la première utilisation par l'entreprise de modèles linguistiques à cette fin. Les résultats de la recherche et l'ensemble de données ont été rendus publics jeudi matin.

En utilisant Groundsource comme référence dans le monde réel, l'équipe a entraîné un modèle basé sur un réseau neuronal à mémoire à court et long terme (LSTM). Ce modèle traite les prévisions météorologiques mondiales pour générer des estimations de probabilité de crues soudaines dans des lieux spécifiques.

Le modèle de prévision des crues soudaines de Google identifie désormais les risques pour les zones urbaines dans 150 pays sur sa plateforme Flood Hub et partage ces données avec les agences d'intervention d'urgence du monde entier. António José Beleza, responsable des interventions d'urgence au sein de la Communauté de développement de l'Afrique australe (SADC) qui a participé à un essai du modèle, a déclaré que celui-ci avait considérablement amélioré la rapidité de réaction de son organisation face aux inondations.

Le modèle présente toutefois des limites actuelles. Sa résolution est relativement large, évaluant les risques sur des zones de 20 kilomètres carrés. Il est également moins précis que des systèmes tels que les alertes d'inondation du Service météorologique national américain, en partie parce qu'il n'intègre pas les données radar locales pour le suivi en temps réel des précipitations.

L'un des principaux objectifs du projet était toutefois de créer une solution pour les régions où les autorités locales ne disposent pas des ressources nécessaires pour mettre en place des infrastructures coûteuses de surveillance météorologique ou pour établir des archives météorologiques historiques détaillées.

« En agrégant des millions de rapports, l'ensemble de données Groundsource contribue à rééquilibrer la carte mondiale », a expliqué Juliet Rothenberg, responsable de programme au sein de l'équipe Resilience de Google. « Il nous permet d'extrapoler des informations à d'autres régions disposant de bien moins de données. »

Mme Rothenberg a ajouté que l'équipe espère que cette méthodologie — qui utilise des modèles de langage (LLM) pour créer des ensembles de données quantitatives à partir de sources écrites qualitatives — pourra être appliquée à d'autres défis de prévision éphémères mais critiques, tels que les vagues de chaleur et les coulées de boue.

Marshall Moutenot, PDG d’Upstream Tech, une entreprise utilisant un apprentissage profond similaire pour les prévisions de débit fluvial pour des clients tels que des sociétés hydroélectriques, considère le travail de Google comme s’inscrivant dans une initiative plus large visant à compiler des données pour des modèles météorologiques basés sur l’IA. M. Moutenot a également cofondé dynamical.org, un groupe qui sélectionne des données météorologiques prêtes pour l’apprentissage automatique à l’intention des chercheurs et des start-ups.

« La rareté des données reste l’un des obstacles les plus difficiles à surmonter en géophysique », a noté M. Moutenot. « Paradoxalement, il existe une surabondance de données sur la Terre, mais un manque de données de référence validées pour l’évaluation. Il s’agissait là d’une approche très créative pour acquérir ces données essentielles. »