Les ingénieurs du MIT ont construit un outil d’IA qui prévoit les conditions météorologiques extrêmes sans formation sur les données historiques des catastrophes.
Kai Chang, étudiant diplômé en génie mécanique, et le professeur Themis Sapsis ont développé l’outil. Il produit des cartes d’événements qui ne sont pas apparus dans les archives historiques d’une région mais qui restent statistiquement possibles. Chaque carte contient également des estimations de la durée et de l’intensité probables de l’événement, ainsi qu’une estimation distincte de la zone qu’il pourrait affecter.
Prévoir des événements météorologiques extrêmes sans précédent historique
Sapsis est titulaire de la chaire William I. Koch en génie mécanique et océanique au MIT. Les deux chercheurs sont affiliés au MIT Center for Computational Science and Engineering, et Sapsis est également titulaire d’un rendez-vous avec le MIT Institute for Data, Systems, and Society. Les deux hommes décrivent la méthode, nommée Extreme Event Aware ou η-learning, dans un article publié dans Nature Communications le 20 août.
Les modèles de risque existants fonctionnent différemment. Les assureurs, les urbanistes et les opérateurs de réseau souhaitent généralement savoir à quoi pourrait ressembler une tempête qui ne se produit qu’une fois par siècle dans un endroit spécifique. Les simulations actuelles dépendent généralement d’ensembles de données contenant déjà des événements extrêmes, apprenant les conditions qui les ont produits avant de projeter des modèles similaires.
Chang soutient que cette approche actuelle crée une limite à ce que de tels modèles peuvent montrer. « Ces méthodes supposent que nous avons observé des événements très désastreux dans l’ensemble de données, et elles construisent une méthode soit pour estimer le risque de ces événements, soit pour essayer de prédire exactement les événements qui se sont produits », dit-il.
Sapsis présente la même limitation à travers l’ouragan Katrina. « Un événement comme l’ouragan Katrina se produit tous les 30 à 40 ans », ajoute-t-il. « Quel sera le phénomène Katrina qui se produit tous les 100 ans ? Quelle sera sa gravité ? C’est exactement ce que nous essayons de quantifier, pour aider les planificateurs à se préparer à des scénarios extrêmes plausibles. »
Combinaison de statistiques ponctuelles avec des détails spatiaux
L’algorithme fonctionne à partir de deux types de données. Les statistiques ponctuelles capturent la fréquence à laquelle un niveau d’intensité donné, tel que la pluviométrie maximale enregistrée sur une carte, se produit dans un ensemble de données. Les cartes spatiales montrent comment l’impact d’un événement varie dans une région.
L’apprentissage de la relation statistique entre les deux permet à l’algorithme de créer des modèles spatiaux pour des événements allant au-delà de tout ce qui figure dans ses données d’entraînement, sans avoir besoin d’exemples préalables de ces extrêmes exacts.
Les chercheurs ont testé cette approche sur les précipitations sur toute la zone continentale des États-Unis. Ils ont commencé avec 25 ans de données horaires sur les précipitations, regroupées dans des cartes quotidiennes et calculé des statistiques ponctuelles décrivant la fréquence à laquelle les précipitations maximales sur une carte ont atteint un niveau donné sur l’ensemble de cet enregistrement complet.
La fenêtre de formation pour le modèle spatial était étroite. Ils ont entraîné cette partie de l’algorithme à l’aide de cartes appariées basse et haute résolution tirées uniquement des six premiers mois de l’enregistrement de 25 ans, une période qui contenait peu ou pas d’exemples des niveaux de précipitations les plus forts.
L’algorithme a appris comment les modèles des cartes basse résolution correspondaient aux détails des versions haute résolution, puis a appliqué les statistiques de points de l’enregistrement complet pour limiter le degré d’extrême possible des modèles générés.
Tester l’infrastructure par rapport aux cartes des pires cas
La pluviométrie la plus élevée jamais enregistrée à New York mesure 200 millimètres. La méthode peut générer des cartes plausibles d’une tempête qui produit à la place 300 millimètres, un niveau sans correspondance dans les enregistrements d’observation.
Un utilisateur peut demander à l’algorithme entraîné de montrer à quoi pourrait ressembler une tempête qui ne se produit qu’une fois par siècle pour une ville nommée. Le résultat prend la forme de cartes montrant des tempêtes statistiquement plausibles à cette fréquence. Chaque carte a sa propre taille et sa propre zone de couverture, et l’intensité des précipitations varie également sur l’ensemble de l’ensemble. Selon Chang, l’algorithme peut générer simultanément de grands volumes de ces scénarios.
Les cartes générées pourraient aider une ville à tester sa digue contre une onde de tempête dépassant tout ce qui a été enregistré. Les mêmes cartes pourraient montrer si le réseau électrique tiendrait le coup pendant une vague de chaleur plus longue, ou si les ressources de lutte contre les incendies pourraient contenir un incendie de forêt plus important que n’importe quel autre enregistré.
Limites de la démonstration jusqu’à présent
Selon Chang et Sapsis, l’application de la méthode à un nouveau danger nécessite des statistiques ponctuelles et des données spatiales pertinentes pour ce danger spécifique. Les deux chercheurs envisagent des extensions possibles une fois que ces données seront disponibles, telles que la visualisation de graves inondations et incendies de forêt sans équivalent dans les archives historiques.
Sapsis note que l’infrastructure mondiale a été optimisée pour plus d’efficacité, laissant peu de marge dans les systèmes qu’elle prend en charge.
« Un seul événement extrême se propage en quelques semaines dans les chaînes d’approvisionnement, les marchés de l’énergie et les systèmes alimentaires », explique-t-il. « Pouvoir attribuer une probabilité à un événement qui ne s’est pas encore produit est désormais une question de résilience nationale et économique. »
