Alors que le changement climatique provoque une intensification des tempêtes, de nouveaux outils sont nécessaires pour cartographier les endroits où les inondations se produisent dans les zones sous-étudiées.
Un nouvel outil de cartographie de l’Université d’État de Caroline du Nord utilise l’apprentissage automatique et l’imagerie satellite open source pour modéliser les inondations en milieu urbain. Le nouveau modèle pourrait créer des cartes permettant de prédire les inondations en zone urbaine, auxquelles les urbanistes n’ont traditionnellement pas accès. Cela pourrait aider à identifier les zones potentiellement inondables en milieu urbain, aidant ainsi les responsables à faire des choix plus éclairés sur l’affectation des ressources de résilience et de prévention des inondations.
Le travail est publié dans le journal Risques naturels.
Rebecca Composto, étudiante diplômée de l’Université d’État de Caroline du Nord et auteur principal d’un article décrivant le modèle, a déclaré que les zones urbaines présentent des défis uniques dans la collecte de données satellitaires et le suivi du débit d’eau.
« L’un des premiers problèmes est celui des ombres portées par les bâtiments. Les immeubles plus hauts créent davantage d’ombres, ce qui signifie que les images satellites apparaissent plus sombres et contiennent moins d’informations », a-t-elle expliqué. « Les zones urbaines ont également une hydrologie plus complexe, car l’existence de nombreux systèmes de drainage et de surfaces en béton qui n’absorbent pas l’eau signifie qu’il est plus difficile de prédire où l’eau s’accumule. »
Les inondations dans les zones urbaines ont également tendance à commencer et à se terminer rapidement, parfois trop rapidement pour que les satellites puissent recueillir suffisamment de données exploitables. Pour remédier à ce problème, Composto a utilisé les données satellite de l’ouragan Ida, qui a provoqué d’importantes inondations et des dégâts dans le nord-est des États-Unis en 2021. Les inondations causées par Ida ont duré plus longtemps que d’habitude dans des régions comme Philadelphie, et cela, combiné à une rupture soudaine de la couverture nuageuse, a donné à Composto exactement le type de données satellite dont elle avait besoin.
L’étape suivante consistait à former un modèle d’apprentissage automatique pour reconnaître et cartographier les inondations. Pour créer suffisamment de données d’apprentissage pour que le modèle puisse reconnaître les inondations urbaines, Composto a passé des mois à dessiner à la main des polygones sur ses images satellite pour aider le programme à comprendre ce qu’il observait. Ces polygones ont aidé l’algorithme d’apprentissage automatique à « voir » les caractéristiques des images satellite les plus proches des inondations, puis à cartographier ces dernières.
Composto a ensuite comparé la carte obtenue, connue sous le nom d’étendue des inondations, aux zones inondables de l’Agence fédérale de gestion des urgences (FEMA). Ces zones désignent des zones en fonction de leur probabilité d’inondation. Par exemple, une zone inondable « à récurrence de 500 ans » a environ 1 chance sur 500 d’être inondée chaque année. D’autres zones sont considérées comme présentant un « risque d’inondation minimal », ce qui les place en dehors de la limite de la désignation de zone inondable à récurrence de 500 ans.
Le modèle a révélé que les inondations étaient plus fréquentes dans ces zones à risque minimal que dans les zones à risque de 500 ans. Selon Composto, cela était probablement dû à la taille beaucoup plus grande des zones à risque minimal : malgré un volume d’inondations plus important, le risque d’inondation dans ces zones était toujours proportionnellement plus faible que dans les zones à risque de 500 ans.
D’autres recherches pourraient se concentrer sur la simplification du modèle pour en faciliter l’utilisation. Composto prévoit d’intégrer une nouvelle carte affichant la profondeur des inondations et de rendre son code open source pour le rendre plus facile à partager avec les responsables des interventions d’urgence.
Les co-auteurs de la recherche comprennent Mirela G. Tulbure, Varun Tiwari, Mollie D. Gaines et Júlio Caineta.
Plus d’information:
Rebecca W. Composto et al., Quantification de l’étendue des inondations urbaines à l’aide d’images satellite et de l’apprentissage automatique, Risques naturels (2024). DOI : 10.1007/s11069-024-06817-5