Une nouvelle architecture d’IA améliore la prévision des inondations
Les événements météorologiques extrêmes tels que les fortes pluies et les inondations posent des défis croissants aux systèmes d’alerte précoce du monde entier. Des chercheurs de l'Université de Bonn, du Forschungszentrum Jülich (FZJ) et de l'Institut Lamarr pour l'apprentissage automatique et l'intelligence artificielle ont développé RiverMamba, un nouveau modèle d'IA capable de prédire les débits des rivières et les risques d'inondation avec plus de précision que les méthodes précédentes.
L'équipe de recherche présentera ses résultats le 4 décembre lors du NeurIPS 2025 de cette année. RiverMamba apporte ainsi une contribution importante à l'adaptation au climat et à la prévention des risques, des sujets qui font l'objet d'une attention particulière dans le monde entier, notamment à l'occasion de la Journée mondiale de sensibilisation aux tsunamis des Nations Unies, le 5 novembre.
Les résultats sont publiés sur le arXiv serveur de préimpression.
L’IA apprend des données environnementales et climatiques
RiverMamba est basé sur l'architecture dite Mamba, une nouvelle génération de modèles d'apprentissage profond qui peuvent gérer particulièrement efficacement les données environnementales et climatiques temporelles et spatiales. Le système évalue en permanence les données sur les précipitations, la température, l'humidité du sol et la vitesse d'écoulement et reconnaît les modèles déterminants pour le développement des inondations.
RiverMamba combine les atouts de modèles classiques basés sur la physique, tels que le Global Flood Awareness System (GloFAS), qui effectue des prévisions mondiales mais ne modélise pas entièrement les caractéristiques locales. GloFAS nécessite beaucoup de calculs, avec des modèles locaux basés sur l'apprentissage tels que le Flood Hub de Google, qui est très efficace mais ne peut prédire le débit des rivières qu'aux stations de mesure existantes.
RiverMamba apprend à la fois à partir des données de modèles basés sur la physique et directement à partir de nombreuses données environnementales et d'observation. Cela lui permet de faire des prévisions fiables même lorsque les séries de mesures sont incomplètes ou manquantes, par exemple dans des bassins versants plus petits ou dans des régions où les données sont limitées.
Cette capacité à modéliser de manière indépendante des interactions complexes entre la météo, la topographie et le comportement du ruissellement ouvre de nouvelles perspectives pour des prévisions de crues plus précises dans le monde entier.
Le développement a été dirigé par le professeur Jürgen Gall, chercheur principal à l'Institut Lamarr, en étroite collaboration avec le domaine de recherche transdisciplinaire « Modélisation », le groupe de formation à la recherche intégrée du centre de recherche collaboratif DFG « DETECT — Changement climatique régional : démêler le rôle de l'utilisation des terres et de la gestion de l'eau » (SFB 1502 DETECT) de l'Université de Bonn et le projet « Modèle de base pour la prévision météorologique » (RAINA), un projet commun. de l'Université de Bonn, du Deutscher Wetterdienst (DWD) et du Forschungszentrum Jülich (FZJ). Le projet interdisciplinaire combine la recherche sur l'IA avec la modélisation climatique, l'hydrologie et les prévisions météorologiques et montre comment la recherche en Rhénanie du Nord-Westphalie contribue à relever les défis mondiaux.
« Avec RiverMamba, nous montrons comment l'IA peut être utilisée de manière ciblée pour modéliser les processus environnementaux de manière plus réaliste et plus efficace », déclare le professeur Jürgen Gall. « De telles approches basées sur les données peuvent compléter utilement les systèmes d'alerte précoce existants, ce qui constitue une étape importante vers des prévisions plus fiables face à l'augmentation des événements météorologiques extrêmes. »
