{"id":723,"date":"2025-01-28T08:25:35","date_gmt":"2025-01-28T07:25:35","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil2\/?p=723"},"modified":"2025-12-04T16:41:29","modified_gmt":"2025-12-04T15:41:29","slug":"cartographier-et-predire-les-risques-naturels-de-maniere-plus-fiable-grace-aux-algorithmes","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/cartographier-et-predire-les-risques-naturels-de-maniere-plus-fiable-grace-aux-algorithmes\/","title":{"rendered":"Catastrophes naturelles : quand l\u2019IA devient un outil cl\u00e9 pour anticiper et pr\u00e9venir les risques"},"content":{"rendered":"\n

Texte original publi\u00e9 sur https:\/\/wp.unil.ch\/geoblog\/2024\/03\/cartographier-et-predire-les-risques-naturels-de-maniere-plus-fiable-grace-aux-algorithmes\/<\/a><\/em><\/p>\n\n\n\n

\n
\n

Mod\u00e9liser les risques naturels est une mission essentielle pour la protection des populations et des territoires. Marj Tonini, directrice du Swiss Geocomputing Centre \u00e0 l\u2019UNIL, int\u00e8gre l\u2019intelligence artificielle \u00e0 ses mod\u00e8les pour am\u00e9liorer la fiabilit\u00e9 des cartes de risques. Gr\u00e2ce \u00e0 la puissance du machine learning et \u00e0 une masse croissante de donn\u00e9es environnementales, elle d\u00e9passe les limites des m\u00e9thodes classiques, autrefois lentes et subjectives. Adopt\u00e9s \u00e0 l\u2019\u00e9chelle europ\u00e9enne, ses mod\u00e8les pr\u00e9dictifs font aujourd\u2019hui r\u00e9f\u00e9rence et ouvrent la voie \u00e0 une cartographie plus dynamique, collaborative et tourn\u00e9e vers l\u2019avenir.<\/p>\n<\/div>\n\n\n\n

Un afflux de donn\u00e9es offrant la possibilit\u00e9 d\u2019int\u00e9grer l\u2019IA aux mod\u00e8les <\/h3>\n\n\n\n

Au d\u00e9but de ses recherches, Marj Tonini travaillait sur des mod\u00e8les de cartographie \u00ab classiques \u00bb. Ces mod\u00e8les sont bas\u00e9s sur des connaissances environnementales solides, o\u00f9 chaque zone est d\u00e9crite par de nombreux param\u00e8tres (pente, nature du sol, couverture de la v\u00e9g\u00e9tation etc.). Pour d\u00e9finir un risque de feu de for\u00eat par exemple, on int\u00e8gre ces variables en les pond\u00e9rant selon leur influence relative sur ce ph\u00e9nom\u00e8ne de risque (par exemple le type de v\u00e9g\u00e9tation ou l\u2019occupation du sol). Marj Tonini nous explique que \u00ab ces mod\u00e8les ont le d\u00e9savantage de d\u00e9pendre de la subjectivit\u00e9 des scientifiques, qui d\u00e9cident du poids attribu\u00e9 aux diff\u00e9rentes variables, et qu\u2019ils n\u00e9cessitent beaucoup de temps pour tester diverses configurations<\/em>.<\/p>\n\n\n\n

Marj Tonini s\u2019est int\u00e9ress\u00e9e \u00e0 l\u2019int\u00e9gration du machine learning<\/em>, au moment o\u00f9 plusieurs \u00e9l\u00e9ments favorisaient cette d\u00e9marche : \u00ab L\u2019utilisation de l\u2019intelligence artificielle dans mes mod\u00e8les a \u00e9t\u00e9 rendue possible gr\u00e2ce \u00e0 l\u2019augmentation massive des donn\u00e9es \u00e0 disposition (p.ex. base de donn\u00e9es spatio-temporel en format digital, images satellitaires), ainsi qu\u2019\u00e0 l\u2019accroissement de la puissance de calcul des ordinateurs<\/em>. \u00bb<\/p>\n\n\n\n

\"environsciproc<\/figure>\n\n\n\n

Les algorithmes utilis\u00e9s rendant les calculs beaucoup plus efficients, lui ont permis de jongler plus facilement avec les diff\u00e9rentes variables afin d\u2019affiner ses mod\u00e8les.  Les pr\u00e9dictions sur des zones pour lesquelles il manquait de donn\u00e9es directes (cf encadr\u00e9) ont ainsi pu \u00eatre am\u00e9lior\u00e9es. De plus, la possibilit\u00e9 de traiter des param\u00e8tres al\u00e9atoires, permet de fournir des r\u00e9sultats sous forme de cartes d\u2019occurrences de risques (estimer la probabilit\u00e9 qu\u2019un incendie se d\u00e9clare dans une zone donn\u00e9e avec un certain marge d\u2019incertitude) qui am\u00e9liorent l\u2019exploitation des informations pour les utilisateurs finaux (gouvernances communales, r\u00e9gionales par exemple).<\/p>\n\n\n\n

L\u2019utilisation de l\u2019IA a une marge de progression dans le domaine des g\u00e9osciences <\/h3>\n\n\n\n

Selon Marj Tonini, \u00ab l\u2019utilisation de l\u2019IA dans le domaine des g\u00e9osciences est encore marginale (<20% des recherches en g\u00e9osciences<\/em>) \u00bb. Ce pourcentage devrait augmenter avec l\u2019int\u00e9gration de l\u2019apprentissage des techniques de machine learning <\/em>et de la science des donn\u00e9es dans les formations de base des \u00e9tudiant.e.s et doctorant.e.s. Elle-m\u00eame enseigne \u00e0 des \u00e9tudiant.e.s de niveau master et constate leur envie d\u2019int\u00e9grer l\u2019IA dans leurs travaux. \u00ab Il est toutefois n\u00e9cessaire d\u2019attirer leur attention sur les \u00e9cueils \u00e0 \u00e9viter. Il faut par exemple disposer de suffisamment de donn\u00e9es, partir de questions pertinentes, ne pas confondre corr\u00e9lations et causalit\u00e9 et pouvoir v\u00e9rifier les r\u00e9sultats sur des nouvelles donn\u00e9es<\/em> \u00bb, illustre la chercheuse.<\/p>\n\n\n\n

Par ailleurs, Marj Tonini rel\u00e8ve que \u00ab l\u2019IA peut \u00eatre un moyen int\u00e9ressant pour initier des collaborations, par exemple entre personnes qui ma\u00eetrisent un domaine scientifique et des sp\u00e9cialistes en machine learning, ou entre scientifiques de domaines diff\u00e9rents utilisant les m\u00eames algorithmes pour l\u2019int\u00e9gration de l\u2018IA dans leur recherche<\/em> \u00bb. Elle-m\u00eame collabore avec des scientifiques issus de diff\u00e9rents domaines et au sein de diverses institutions et pays.<\/p>\n\n\n\n

\n

D\u2019une premi\u00e8re publication \u00e0 un standard europ\u00e9en<\/h4>\n\n\n\n

\u00ab Un des exemples que je peux citer est celui de ma collaboration avec le Centre International pour le Monitorage Environnemental en Italie (CIMA) <\/em>\u00bb, explique Marj Tonini. \u00ab Un de leur repr\u00e9sentants m\u2019avait contact\u00e9e \u00e0 la suite de ma premi\u00e8re publication sur l\u2019utilisation du machine learning dans un mod\u00e8le destin\u00e9 \u00e0 analyser les risques de feux de for\u00eat. Il disposait de donn\u00e9es collect\u00e9es sur 30 ans, et voulait savoir si elles pouvaient \u00eatre introduite dans mon mod\u00e8le<\/em> \u00bb, se rappelle-t-elle.<\/p>\n\n\n\n

Le groupe du CIMA (secteur \u00ab Gestion des risques d\u2019incendie et conservation des for\u00eats \u00bb) avait con\u00e7u un mod\u00e8le d\u00e9terministe tr\u00e8s sophistiqu\u00e9 qu\u2019ils souhaitaient comparer aux mod\u00e8les int\u00e9grant le machine learning<\/em>. Les deux approches ont pu \u00eatre compar\u00e9es sur la base de 80% des donn\u00e9es existantes, en faisant des projections sur un 20% des donn\u00e9e ind\u00e9pendantes. Le mod\u00e8le bas\u00e9 sur l\u2019AI a obtenu des r\u00e9sultats bien meilleurs que le mod\u00e8le d\u00e9terministe plus \u00ab classique \u00bb. Marj Tonini nous indique que suite \u00e0 ces r\u00e9sultats \u00ab le mod\u00e8le a finalement \u00e9t\u00e9 adopt\u00e9 comme standard pour la cartographie du risque incendie \u00e9labor\u00e9e au niveau locale et europ\u00e9en par le centre CIMA<\/em> \u00bb.<\/p>\n<\/div>\n\n\n\n

\n
\n\n\n\n
\n
\n
\n

Dr. <\/strong>Marj Tonini, chercheuse et directrice du Swiss Geocomputing Centre, \u00e9tudie la mod\u00e9lisation des risques naturels comme les feux de for\u00eat ou les glissements de terrain, la production de sc\u00e9narios pr\u00e9dictifs et l\u2019\u00e9volution de l\u2019occupation du sol.<\/strong><\/span><\/p>\n\n\n\n

Facult\u00e9 des g\u00e9osciences et de l\u2019environnement<\/strong><\/p>\n\n\n\n

\n
Profil<\/a><\/div>\n\n\n\n
Publications<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\"\"<\/figure>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Marj Tonini utilise l\u2019IA pour affiner les cartes de risque et anticiper feux de for\u00eat ou glissements de terrain, renfor\u00e7ant ainsi la pr\u00e9vention des catastrophes et l\u2019aide \u00e0 la d\u00e9cision.<\/p>\n","protected":false},"author":108,"featured_media":3281,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"categories":[7],"tags":[],"class_list":{"0":"post-723","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-recherche"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/723","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/users\/108"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/comments?post=723"}],"version-history":[{"count":5,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/723\/revisions"}],"predecessor-version":[{"id":2571,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/723\/revisions\/2571"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media\/3281"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media?parent=723"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/categories?post=723"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/tags?post=723"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}