Le nouvel outil de Google prédit le risque de crue soudaine

Google a annoncé avoir développé un nouveau système d'analyse de données basé sur Gemini qui vise à aider à détecter plus tôt les crues soudaines. Cet outil, appelé « Groundsource », utilise le modèle d'intelligence artificielle de l'entreprise pour extraire des données des actualités passées et combiner ces informations avec les prévisions météorologiques actuelles pour évaluer le risque d'inondations soudaines dans certaines régions. On sait que les crues soudaines font partie des événements naturels difficiles à prévoir sur le plan météorologique. Cependant, Google souhaite adopter une nouvelle approche en transformant les événements enregistrés dans le passé en ensembles de données à grande échelle.

Selon les informations fournies par Google, Gemini a été chargé d'extraire des enregistrements d'inondations en examinant environ 5 millions d'articles de presse publiés dans le monde. Dans ce processus, les événements de l'actualité étaient classés par ordre chronologique et chacun était marqué d'informations de localisation géographique. Ainsi, un ensemble de données complet contenant les événements d'inondation dans différentes régions a été créé. En outre, les chercheurs ont formé un modèle de prévision distinct qui peut évaluer cet ensemble de données ainsi que les prévisions météorologiques actuelles. Le système tente de calculer le risque de crue soudaine en analysant les conditions météorologiques attendues dans une zone particulière.

Comment fonctionne le système Groundsource basé sur Google Gemini ?

La plateforme Groundsource ne se limite pas à utiliser les inondations passées uniquement comme enregistrements historiques. De plus, il crée un modèle qui produit une évaluation des risques en associant des prévisions météorologiques à ces données. Selon les informations fournies par Google, le système est désormais disponible via la plateforme Flood Hub, qui propose des indicateurs de risque pour les villes de 150 pays. D'autre part, l'entreprise prévoit de partager les données et analyses obtenues avec les institutions de gestion des urgences. Ainsi, il vise à permettre aux autorités locales et aux équipes de secours de réagir plus rapidement aux éventuels risques d'inondation.

Cependant, le système actuel présente également certaines limites techniques. La zone dans laquelle le modèle peut effectuer une analyse des risques est limitée à des régions d'environ 20 kilomètres carrés. De plus, il peut offrir une sensibilité inférieure à celle des systèmes d'alerte aux inondations utilisés par le National Weather Service des États-Unis. La principale raison en est que les données des radars locaux ne sont pas utilisées dans le modèle de Google. Les données radar locales permettent souvent de surveiller la quantité et le mouvement des précipitations en temps réel. Cependant, la plateforme Groundsource est spécifiquement conçue pour fonctionner dans des régions qui ne disposent pas d'infrastructures météorologiques développées.

Juliet Rothenberg, responsable de programme au sein de l'équipe Google Resilience, affirme que le système peut également être utilisé pour prédire différents événements naturels à l'avenir. Selon Rothenberg, en rassemblant des millions de rapports, il est possible de tirer des conclusions sur les régions où les données manquent. En outre, il est indiqué que cette approche peut également être utilisée pour prédire les vagues de chaleur, les glissements de terrain et d’autres événements à risque similaires.

Ce n'est pas le premier projet dans lequel Google utilise l'intelligence artificielle dans les prévisions météorologiques. Le modèle WeatherNext 2 de la société, développé par DeepMind, a atteint un taux de précision élevé lors des tests menés ces dernières années. Cependant, Groundsource propose une méthode différente, notamment en termes de production d'évaluation des risques météorologiques à l'aide d'une analyse de données basée sur un modèle de langage. Les résultats de cette approche à long terme seront mieux compris grâce aux données d’utilisation réelles du système.