La saison des ouragans 2025 commence officiellement le 1er juin, et elle devrait être plus active que jamais, avec des tempêtes potentiellement dévastatrices dont les fortes précipitations et les puissantes surtensions de tempêtes provoquent des inondations côtières dangereuses.
Des niveaux d’eau extrêmes – comme les 15 pieds d’inondation que les Floridiens ont vues pendant l’ouragan Helene en 2024 – menacent des vies, lavent les maisons et endommagent les écosystèmes. Mais ils peuvent être difficiles à prévoir sans des modèles informatiques complexes à forte intensité de données que les domaines avec des ressources limitées ne peuvent pas prendre en charge.
A recent study published in Water Resources Research by civil and environmental engineering graduate student Samuel Daramola, along with faculty advisor David F. Muñoz and collaborators Siddharth Saksena, Jennifer Irish, and Paul Muñoz from Vrije Universiteit Brussel in Belgium, introduces a new deep learning framework to predict the rise and fall of water levels during storms — even in places where tide gauges fail or data is rare – à travers une technique connue sous le nom de «apprentissage du transfert».
Le cadre, appelé Station de mémoire à court terme, les modèles approximatifs (LSTM-SAM), offre des prédictions plus rapides et plus abordables qui permettent des décisions plus intelligentes sur le moment d’évacuer, où placer les ressources d’urgence et comment protéger les infrastructures lorsque les ouragans s’approchent. Pour les planificateurs d’urgence, les gouvernements locaux et les équipes de réponse aux catastrophes, cela pourrait changer la donne – et pourrait sauver des vies.
Relever le défi de prédire les inondations d’apprentissage par transfert
Prédire quand et où les niveaux d’eau extrêmes frappent – en particulier pendant les inondations composées, lorsque plusieurs sources d’inondation, comme la pluie et les ondes de tempête, se combinent pour intensifier les inondations – est crucial pour protéger les communautés vulnérables.
Cependant, les modèles physiques conventionnels reposent sur des informations détaillées sur les conditions météorologiques, les conditions océaniques et la géographie locale. La collecte et le traitement de ces données sont longues et coûteuses, ce qui limite l’utilisation des modèles aux zones avec des enregistrements de données à long terme et des ordinateurs de grande puissance.
Pour surmonter ces limites, l’équipe de recherche a développé LSTM-SAM, un cadre d’apprentissage en profondeur qui analyse les modèles des tempêtes passées pour prédire l’élévation du niveau de l’eau au cours des futures tempêtes. Ce qui rend ce modèle particulièrement utile, c’est sa capacité à extrapoler à partir des données d’une zone géographique pour faire des prédictions pour un autre lieu qui n’a pas beaucoup de ses propres données. En empruntant des connaissances et en l’appliquant localement, il rend la prédiction précise des inondations plus largement disponible.
« Notre objectif était de créer une méthode de transfert efficace qui exploite des modèles d’apprentissage en profondeur pré-formés », a déclaré Daramola. « Ceci est essentiel pour évaluer rapidement de nombreuses zones sujettes aux inondations après un ouragan. »
Test avec les prédictions des inondations côtières
Les chercheurs ont testé LSTM-SAM dans les stations de marée de marée le long de la côte atlantique des États-Unis, une région fréquemment touchée par les ouragans et d’autres tempêtes majeures. Ils ont constaté que le modèle était en mesure de prédire avec précision le début, le pic et le déclin des niveaux d’eau basés sur les tempêtes. Le modèle a même été en mesure de reconstruire les niveaux d’eau pour les stations de marécage en maréchause endommagées par les ouragans, comme la station de Sandy Hook, New Jersey, qui a échoué pendant l’ouragan Sandy en 2012.
Les chercheurs prévoient d’utiliser le cadre LSTM-SAM au cours de la prochaine saison des ouragans, où ils peuvent le tester alors que les tempêtes roulent presque en temps réel. Ils ont également rendu le code disponible dans le référentiel GitHub du Coral Lab, où les scientifiques, les planificateurs d’urgence et les dirigeants du gouvernement peuvent le télécharger gratuitement. Le programme se déroule sur un ordinateur portable en quelques minutes et pourrait être particulièrement utile pour les petites villes ou régions des pays en développement où l’accès à des outils informatiques haut de gamme ou à des données environnementales détaillées est limitée.
« D’autres études se sont appuyées sur des modèles répétitifs dans les données de formation », a déclaré Daramola. « Notre approche est différente. Nous mettons en évidence des changements extrêmes dans les niveaux d’eau pendant l’entraînement, ce qui aide le modèle à mieux reconnaître les modèles importants et à fonctionner de manière plus fiable dans ces domaines. »
Étant donné que la fréquence des événements des ouragans et leur impact socioéconomique devraient augmenter à l’avenir, la nécessité de cadres de prédiction des inondations fiables est d’une importance capitale. Des outils avancés d’apprentissage en profondeur comme LSTM-SAM pourraient devenir essentiels pour aider les communautés côtières à se préparer à la nouvelle normale, ouvrant la porte aux prédictions d’inondation plus intelligentes, plus rapides et plus accessibles associées aux cyclones tropicaux.
Étude originale: doi 10.1029 / 2024wr039054
Cette recherche a été rendue possible par le soutien de la National Science Foundation, du programme CAS-Climate et de la Virginia Sea Grant Fellowship.