Un nouveau modèle d’apprentissage automatique peut fournir des évaluations plus précises des dommages causés par les ouragans aux intervenants
Crédit : Pixabay/CC0 Domaine public
Les équipes d’urgence qui interviennent dans les zones endommagées par l’ouragan pourraient bientôt obtenir l’aide d’un modèle d’apprentissage automatique qui peut mieux prédire l’étendue des dommages aux bâtiments peu après le passage de la tempête.
Le modèle utilise la télédétection à partir de satellites qui peuvent générer des empreintes de bâtiments à partir d’images pré-ouragan, puis les comparer avec des images prises après la tempête.
Alors que certains modèles précédents ne pouvaient dire que si un bâtiment était endommagé ou non, ce modèle d’apprentissage en profondeur peut classer avec précision l’ampleur des dommages subis par les bâtiments – des informations clés pour les intervenants d’urgence, a déclaré Desheng Liu, co-auteur de l’étude et professeur de géographie à L’Université d’État de l’Ohio.
« Il est souvent difficile, voire impossible, d’évaluer rapidement l’impact d’un ouragan ou d’une autre catastrophe naturelle depuis le sol », a déclaré Liu. « Notre objectif est d’être en mesure de fournir des informations en temps quasi réel sur les dommages aux bâtiments qui peuvent aider les équipes d’urgence à répondre aux catastrophes. »
Liu a mené l’étude avec Polina Berezina, étudiante diplômée en géographie à l’Ohio State. Leurs résultats ont été publiés plus tôt cette année dans la revue Géomatique, aléas naturels et risques.
Les chercheurs ont testé leur nouveau modèle sur les données de l’ouragan Michael en 2018 et ont constaté que son évaluation globale des dommages était précise à 86,3 % dans une région de la Floride, soit une amélioration de 11 % par rapport à un modèle de pointe actuel.
La zone d’étude de recherche comprenait le comté de Bay et des parties des comtés voisins de Calhoun, Gulf, Washington, Leon et Holmes sur l’enclave de la Floride. La ville de Panama est la principale zone métropolitaine incluse dans l’étude.
La National Oceanic and Atmospheric Administration a estimé à 25 milliards de dollars les dommages totaux causés à l’économie américaine par l’ouragan Michael. De ce montant, 18,4 milliards de dollars de dommages se sont produits en Floride.
Les chercheurs ont obtenu des images satellites commerciales pour la zone d’étude. Les images avant l’ouragan dataient d’octobre ou de novembre 2017. Les images post-événement ont été obtenues les jours sans nuages directement après l’impact de l’ouragan, principalement le 13 octobre 2018. L’ouragan avait touché terre le 10 octobre.
Dans l’ensemble de données utilisé par les chercheurs, la zone d’étude comprenait 22 686 bâtiments.
Berezina et Liu ont utilisé un type d’apprentissage automatique appelé réseaux neuronaux convolutifs (ou CNN) pour générer d’abord des empreintes de bâtiments à partir de l’imagerie satellite d’avant l’ouragan, puis classer la quantité de dommages après la tempête. Leur modèle classait les bâtiments en bon état, en dommages mineurs, en dommages majeurs ou détruits.
Dans l’ensemble, le nouveau modèle a une précision globale de 86,3 %, améliorant la précision de 75,3 % du modèle de machine à vecteur de support (ou SVM) auquel il a été comparé.
« Le SVM a eu du mal à faire la distinction entre les dommages mineurs et majeurs, ce qui peut être un problème majeur pour les équipes qui interviennent après un ouragan », a déclaré Liu. « Dans l’ensemble, nos résultats pour l’ouragan Michael sont prometteurs. »
Dans des situations d’ouragans réels, Liu a déclaré que le modèle pourrait être utilisé pour évaluer la probabilité que des bâtiments individuels se trouvent dans une certaine classe de dommages, tels que des dommages mineurs ou des dommages majeurs, afin d’aider à diriger la gestion des urgences et les premiers intervenants vers l’endroit où ils doivent vérifier en premier.
