Des ingénieurs développent un système d'IA pour détecter en temps réel les routes inondées
Les incidents routiers sont l’une des principales causes de décès dus aux inondations à l’échelle nationale, mais les outils limités de signalement des inondations rendent difficile l’évaluation de l’état des routes en temps réel.
Les outils existants (caméras de surveillance du trafic, capteurs de niveau d’eau et même données des réseaux sociaux) peuvent fournir des observations sur les inondations, mais ils ne sont souvent pas conçus pour détecter les conditions d’inondation sur les routes et ne fonctionnent pas en synergie. Un réseau de capteurs pourrait améliorer la connaissance du niveau des inondations, mais leur exploitation à grande échelle est coûteuse.
Des ingénieurs de l'université Rice ont développé une solution possible à ce problème : un cadre de fusion de données automatisé appelé OpenSafe Fusion. Abréviation de Open Source Situational Awareness Framework for Mobility using Data Fusion, OpenSafe Fusion exploite les mécanismes de reporting individuels existants et les sources de données publiques pour détecter l'évolution rapide des conditions routières lors des inondations urbaines, qui deviennent de plus en plus fréquentes.
Jamie Padgett, professeur d'ingénierie Stanley C. Moore de Rice et président du département de génie civil et environnemental, ainsi que Pranavesh Panakkal, chercheur postdoctoral en génie civil et environnemental, ont analysé les données de neuf sources à Houston avant de développer le cadre complet du système de données automatisé dans le cadre de leurs recherches.
L'étude intitulée « Plus d'yeux sur la route : détecter les routes inondées en fusionnant les observations en temps réel provenant de sources de données publiques » est publiée dans la revue Ingénierie de fiabilité et sécurité des systèmes.
« Bien que les sources observant directement les routes inondées soient limitées, les centres urbains regorgent de sources observant directement ou indirectement les inondations ou l'état des routes », a déclaré Padgett.
Padgett et Panakkal ont émis l’hypothèse qu’un système automatisé combinant les informations provenant de ces sources en temps réel pourrait potentiellement révolutionner la connaissance de la situation des inondations sans investissement important dans de nouveaux capteurs.
« Cette étude offre aux communautés une voie pour détecter et répondre équitablement aux facteurs de stress urbains tels que les inondations en utilisant les sources de données existantes », a déclaré Padgett.
« Ce projet s'appuie sur notre collaboration de longue date avec nos collègues du SSPEED Center de Rice, qui ont développé des systèmes d'alerte d'inondation de pointe. Nous nous concentrons ici sur les impacts des inondations sur les infrastructures de transport et sur la compréhension de la manière dont d'autres sources de données peuvent compléter les informations des modèles d'inondation, notamment en ce qui concerne l'impact sur les routes et la mobilité en toute sécurité. »
Le cadre utilise des données provenant de sources telles que les alertes de trafic, les caméras et même la vitesse du trafic, et exploite l'apprentissage automatique et la fusion de données pour prédire si une route est inondée ou non.
La valeur de telles sources de données est devenue évidente lors de l’ouragan Harvey en 2017, lorsque de nombreuses personnes à Houston, y compris les intervenants d’urgence, ont dû examiner manuellement les sources de données pour déduire les conditions routières probables afin de surmonter le manque de données fiables en temps réel sur l’état des routes.
Pour tester le processus OpenSafe Fusion, les chercheurs ont utilisé les données historiques d'inondation observées pendant Harvey pour recréer le scénario dans le cadre, composé d'environ 62 000 routes dans la région de Houston.
« Le modèle a pu observer environ 37 000 liaisons routières, soit environ 60 % du réseau que nous avons considéré, et c'est une amélioration significative », a déclaré Panakkal.
D'autres sources de données pourraient être utilisées dans le cadre, notamment : les capteurs de niveau d'eau, les portails citoyens, le crowdsourcing, les médias sociaux, les modèles d'inondation et un facteur que l'étude appelle « l'implication humaine ».
Cette dernière source est particulièrement importante, explique Panakkal, car l’élément humain d’OpenSafe Fusion permet une utilisation responsable de l’intelligence artificielle (IA).
« Nous ne voulons pas d’un système entièrement automatisé et sans aucun contrôle humain », a déclaré Panakkal.
« Le modèle peut faire une prédiction erronée, ce qui pourrait mettre en danger les membres de la communauté qui décident de prendre le risque de voyager en se basant sur cette prédiction. Nous avons donc conçu des mesures de protection basées sur une utilisation responsable de l'IA. Ce besoin d'une IA responsable dans de tels outils reste un domaine de travail ouvert, et nous espérons approfondir nos recherches à mesure que nous testerons nos méthodes à l'avenir. »
L’étude a également pris en compte les impacts des inondations sur l’accès des communautés aux installations essentielles telles que les hôpitaux et les centres de dialyse lors d’une catastrophe naturelle.
« Cela permet aux membres de la communauté ou aux intervenants d'urgence de comprendre quelles routes sont inondées et comment se déplacer en toute sécurité vers un endroit », a déclaré Panakkal.
Padgett affirme que les chercheurs espèrent poursuivre les tests, la validation et l'exploration approfondis de la manière dont les communautés ayant des échelles et une disponibilité des ressources différentes pourraient utiliser ce cadre pour mieux détecter l'état des routes lors d'une inondation.
« Compte tenu des impacts du changement climatique et des phénomènes météorologiques aggravés par le climat, la fréquence et l’intensité des inondations pourraient augmenter à l’avenir. Nous avons donc besoin d’une solution pour mieux répondre aux inondations et à leurs impacts sur les infrastructures », a déclaré Padgett.
