Comment améliorer les systèmes d’alerte de submersion côtière grâce au « machine learning » ?

Les dernières avancées scientifiques permettent aujourd’hui de modéliser avec précision les phénomènes de submersion côtière liés à des évènements océaniques et climatiques extrêmes. Cependant, les temps de calcul sont trop longs pour une utilisation « en temps réel » de ces modèles dans des systèmes de prédiction et d’alerte. Les équipes d’Antea Group ont relevé ce défi et mis en place un outil prédictif plus performant d’alerte précoce : le démonstrateur RISCOPE-D.

Le démonstrateur RISCOPE-D repose sur le développement et le test d’une méthode capable de prédire les risques de submersion côtière, et est adapté aux besoins de prévention et d’alerte des utilisateurs non spécialistes en modélisation (collectivités, services de l’Etat, gestionnaires de crise…). La méthode développée, qui doit être robuste et rapide, a nécessité la prise en compte de la complexité des processus d'inondations côtières. Aussi, la solution intégrée dans le démonstrateur RISCOPE-D repose sur :

des métamodèles d’inondations marines, c'est-à-dire des fonctions mathématiques qui permettent d’associer des approches relevant de l’intelligence artificielle : apprentissage par les données de type « machine learning »¹ ;
et des scénarios de risques modélisés au préalable.

Cet outil prédictif permet d’identifier rapidement les risques pour les biens et les personnes, ainsi que les meilleurs scénarios d’évacuation et/ou de protection.

¹ Le « machine learning » est une forme d'intelligence artificielle qui est axée sur la création de systèmes qui apprennent ou améliorent leurs performances en fonction des données qu'ils traitent.

Une approche globale et pluridisciplinaire, appliquée sur un site pilote

L’utilisation de solutions de type « métamodèles » n'est pas nouvelle. L'originalité ici réside dans l’approche globale du processus depuis l'identification des besoins des utilisateurs jusqu'à la mise en place et la validation du système de prédiction rapide et d'alerte précoce.
La démarche est également pluridisciplinaire. Elle s’appuie en effet sur la modélisation numérique, l’intelligence artificielle, la métamodélisation, le développement d'indicateurs et de technologies de l'information.

Le développement et la validation du modèle sont effectués sur la commune de Gâvres en France (56) située sur une presqu’île qui est régulièrement exposée au débordement des vagues. Le démonstrateur mis en place a permis de montrer qu’il était possible de passer de 50 heures à 2 minutes de calcul pour prédire le risque sur des cibles directes : mairie, gymnase, route d’évacuation…

Comment fonctionne le démonstrateur RISCOPE-D ?

Cet outil numérique de prédiction et de sensibilisation imbrique les métamodèles développés durant le projet avec les données de prévision quotidiennement collectées auprès d’organismes référents.

Différentes étapes dans la mise en œuvre du démonstrateur conduisent à prédire rapidement le risque de submersion côtière :

Chargement des données brutes de prédiction sur les 3 prochains jours : niveau de marée, surcote atmosphérique, direction de provenance et vitesse du vent, direction de provenance, période de pic et hauteur significative des vagues…
Contrôle de disponibilité des variables nécessaires.
Détection des pleines mers dans la séquence de marée.
Extraction des séquences +/- 3 h autour de la pleine mer.
Création d’un jeu de données harmonisé.
Application du (des) métamodèle(s).
Agrégation des résultats.
Conception d’un outil de géovisualisation des prévisions de submersion et d’impacts sur les infrastructures et réseaux techniques du territoire.

Reposant sur une base de données Big Data et des composants de calcul open source, le démonstrateur est interfacé via des outils web pour une meilleure diffusion des résultats.

RISCOPE-D : un outil opérationnel d’aide à la gestion de crise en temps réel

Un socle technique et une logique « API » (interface de programmation d’applications)

Le démonstrateur RISCOPE-D est un exemple de consolidation des compétences Big Data  d’Antea Group avec l’imbrication de solutions : Lyxea plateforme de centralisation des données, Statea plateforme d’analyses statistiques avec des données temps réel, des algorithmes de prédiction et de la modélisation.

Les acteurs du projet

Pour réaliser ce démonstrateur, 3 partenaires ont réuni leurs compétences : le BRGM, l’Institut de Mathématiques de Toulouse et Antea Group. Il a été financé par l’ANR (Agence Nationale de la Recherche).

Le projet a obtenu la labélisation Safe Cluster : pôle de compétitivité français positionné sur les filières Aéronautique & Spatial, Sécurité & Sûreté, Défense et Environnement risques & résilience.