Table of Contents

Les inondations urbaines représentent l'un des défis environnementaux les plus pressants auxquels les villes du monde entier doivent faire face. À mesure que les populations urbaines s'enflent et que les changements climatiques s'intensifient, la fréquence et la gravité des inondations se sont considérablement accrues. Les inondations dans les zones urbaines entraînent des dommages matériels généralisés, perturbent les réseaux de transport, compromettent les infrastructures essentielles et posent des risques importants pour la santé publique du fait des maladies d'origine hydrique et de la contamination.

Comprendre l'apprentissage automatique géospatial

Contrairement aux modèles statistiques classiques, les ML géospatiales peuvent traiter de grands volumes de données hétérogènes et saisir des relations non linéaires entre les variables environnementales qui influencent les inondations. Cette approche permet de tirer parti de plusieurs couches de données, notamment l'imagerie satellitaire, les modèles d'élévation numérique, les dossiers hydrométéorologiques et les cartes d'utilisation des terres urbaines, pour générer des modèles prédictifs à haute fidélité qui identifient les zones sujettes aux inondations avec plus de précision et de granularité.

Le concept d'autocorrélation spatiale est central à géospatial, le principe selon lequel les endroits voisins ont tendance à présenter des caractéristiques de risque d'inondation semblables en raison de conditions environnementales communes.En formant des algorithmes sur des ensembles de données étiquetés (zones ayant une histoire connue des inondations), ces modèles apprennent à reconnaître des dépendances et des modèles spatiaux subtils qui indiquent une vulnérabilité aux inondations.

Sources de données pour l'identification des zones d'inondation

La cartographie efficace des zones d'inondation à l'aide de LM géospatiales repose sur l'intégration de sources de données diversifiées et de grande qualité, qui fournissent les données de base qui aident le modèle à comprendre les facteurs hydrologiques, topographiques et anthropiques qui sont à l'origine des inondations urbaines.

Imagerie par satellite

Les images satellitaires à haute résolution provenant de plateformes telles que Sentinel-2, Landsat et les fournisseurs commerciaux fournissent des informations critiques sur la couverture terrestre, la végétation, les plans d'eau et les infrastructures urbaines. Les données satellitaires de séries chronologiques permettent de détecter les changements dans les surfaces imperméables, d'identifier les profils de drainage et de surveiller l'étendue des inondations pendant et après les inondations.

Modèles d'élévation numérique (DEM)

Les MED fournissent des représentations détaillées de l'altitude et de la pente du terrain, qui sont essentielles pour comprendre le débit et l'accumulation des eaux de surface. Des données précises sur l'altitude, comme celles qui proviennent de LiDAR (Light Detection and Ranging) ou de la mission de topographie radar de la navette (SRTM), aident à délimiter les réseaux de drainage naturels, identifient les dépressions où l'eau peut se regrouper et modélisent les voies de débit par-dessus terre pendant les fortes précipitations.

Données sur les précipitations et les hydrométéorologiques

L'intégration des données historiques et en temps réel sur les précipitations provenant des stations météorologiques au sol, des systèmes radar et des capteurs satellitaires comme la mission de mesure des précipitations mondiales (GPM) améliore la dimension temporelle des modèles de risque d'inondation. Ces données permettent d'évaluer les événements d'inondation provoqués par les tempêtes et de soutenir la prévision dynamique des inondations lorsqu'elles sont combinées avec des modèles hydrologiques.

Données sur l'utilisation des terres et les infrastructures urbaines

L'urbanisation modifie considérablement l'hydrologie naturelle en augmentant les surfaces imperméables telles que les routes, les toits et les parkings, ce qui réduit l'infiltration et augmente le ruissellement de surface.Les ensembles de données sur l'utilisation des terres, dérivés des cartes cadastrales, des dossiers d'urbanisme et de la classification par télédétection, informent les modèles ML de la répartition des zones imperméables et des infrastructures de drainage.

Caractéristiques du sol et du drainage

L'incorporation de cartes du sol et de données sur le drainage souterrain aide à affiner les évaluations des risques d'inondation en tenant compte de la dynamique locale des eaux souterraines et du potentiel de ruissellement.

Algorithmes d'apprentissage automatique pour la cartographie des zones inondables

Diverses techniques d'apprentissage automatique ont été appliquées à l'identification des zones d'inondation géospatiales, chacune ayant des forces uniques dans la gestion de données spatiales complexes et les tâches de classification.

Forêt aléatoire

La forêt aléatoire (RF) est une méthode d'apprentissage d'ensemble qui construit plusieurs arbres de décision pendant l'entraînement et produit le mode des classes (classification) ou la prédiction moyenne (régression) des arbres individuels. Elle gère efficacement les données à haute dimension et les relations non linéaires, ce qui la rend robuste contre les surajustements.

Machines à vecteur de soutien (SVM)

Les SVM sont des classificateurs puissants qui trouvent les classes de séparation hyperplanes optimales dans l'espace de caractéristiques haute dimension. Ils sont particulièrement efficaces pour distinguer les zones sujettes aux inondations des zones non inondées lorsque les données sont complexes et ont des limites de classe claires.

Réseaux d'apprentissage profond et de neurones

Les réseaux NNC peuvent automatiquement apprendre les modèles liés aux inondations, tels que la texture de l'eau, les ombres et les limites des eaux terrestres, à partir d'images satellites sans ingénierie manuelle des fonctions. Les réseaux NNN et les réseaux de mémoire à court terme (LSTM) sont également utilisés pour modéliser les dépendances temporelles dans les précipitations et la dynamique des inondations, en appuyant les efforts de prévision des inondations.

Machines à stimuler les gradients (GBM)

Les algorithmes de stimulation progressifs comme XGBoost et LightGBM offrent des performances prédictives élevées en améliorant les erreurs de modèle par des arbres de décision pondérés. Ils gèrent bien les données manquantes et fournissent un contrôle fin sur la complexité du modèle, ce qui les rend aptes à intégrer divers ensembles de données géospatiales dans la modélisation des risques d'inondation.

Approches hybrides et globales

La combinaison de plusieurs algorithmes en cadres hybrides ou ensembles peut tirer parti des forces de chaque méthode pour améliorer la précision de classification et la robustesse du modèle. Par exemple, l'intégration des CNN pour l'extraction de fonctionnalités avec les classificateurs Random Forest peut améliorer la délimitation des zones d'inondation dans des environnements urbains complexes.

Flux de travail pour l'identification automatisée des zones urbaines inondables

Le processus d'application de l'apprentissage automatique géospatial pour la cartographie des zones urbaines inondables suit généralement plusieurs étapes clés:

  1. Collecte de données et prétraitement:[ Collecte de données spatiales multisources et nettoyage, normalisation et alignement des ensembles de données sur une résolution et une projection spatiales communes.
  2. Ingénierie des caractéristiques:[ Extraire des caractéristiques pertinentes telles que les gradients d'altitude, les indices de couverture terrestre, les statistiques de précipitations et les propriétés du sol pour servir d'intrants aux algorithmes ML.
  3. Formation et validation: Utilisation de données marquées (étendues historiques des crues et zones non inondées) pour former des modèles ML, puis validation sur des ensembles de données d'essai indépendants pour évaluer des mesures de précision comme la précision, le rappel, le score F1 et la zone sous la courbe (AUC).
  4. Prédiction et cartographie:[ Appliquer le modèle formé aux zones non marquées pour classer les zones à risque d'inondation et visualiser les résultats comme des cartes des risques d'inondation.
  5. Post-traitement et interprétation :[ Raffiner les extrants du modèle en utilisant les connaissances spécialisées, les contraintes hydrologiques et les intrants des intervenants pour assurer la pertinence pratique.
  6. Intégration avec les systèmes d'aide à la décision : Intégrer les cartes des risques d'inondation dans les outils d'urbanisme, les plateformes d'intervention d'urgence et les systèmes d'information du public.

Avantages de l'apprentissage géospatial des machines dans l'évaluation des risques d'inondation

L'adoption de ML géospatiale pour l'identification automatisée des zones d'inondation offre de nombreux avantages par rapport aux méthodes traditionnelles :

  • Speed and Scalability:[ Les modèles ML peuvent traiter rapidement de vastes ensembles de données spatiales, ce qui permet de cartographier les risques d'inondation en temps quasi réel dans les grandes zones urbaines, ce que les enquêtes manuelles ne peuvent pas réaliser efficacement.
  • Accroîtissement et résolution améliorée :[ En capturant des relations complexes non linéaires et des dépendances spatiales, les modèles ML surpassent souvent les modèles hydrologiques conventionnels, fournissant une résolution spatiale plus fine dans la délimitation des risques d'inondation.
  • Coût-Efficacité:[ Réduire la nécessité d'un travail de terrain étendu et de numérisation manuelle se traduit par des économies importantes pour les municipalités et les organismes.
  • Modélisation dynamique et adaptative:[ Les modèles peuvent être mis à jour en permanence avec de nouvelles entrées de données (par exemple, images satellitaires récentes, lectures de capteurs), facilitant la surveillance adaptative des risques d'inondation et des systèmes d'alerte rapide.
  • L'intégration de données multisources:[ La capacité de synthétiser des ensembles de données hétérogènes, y compris la télédétection, les données météorologiques, topographiques et socioéconomiques, améliore l'exhaustivité des évaluations des risques d'inondation.
  • Soutien à l'analyse de scénarios :[ Les modèles ML peuvent simuler les impacts de l'expansion urbaine, des changements climatiques et des modifications des infrastructures sur le risque d'inondation, contribuant ainsi à une planification proactive et au renforcement de la résilience.

Défis et limites

Malgré sa promesse, l'application de l'apprentissage géospatial à la cartographie des inondations urbaines est confrontée à plusieurs défis :

Qualité et disponibilité des données

La modélisation précise des risques d'inondation nécessite des données de haute qualité et à jour, qui peuvent être rares dans les régions en développement ou en mutation rapide des zones urbaines.

Algorithme Transparence et interprétabilité

De nombreux modèles de ML avancés, en particulier les réseaux d'apprentissage profond, agissent comme des « boîtes noires », ce qui rend difficile l'interprétation du raisonnement qui sous-tend les prévisions.

Étalonnage et transférabilité locaux

La dynamique des inondations varie considérablement d'une ville à l'autre en raison des différences de climat, de topographie et de conception urbaine.

Ressources informatiques

Le traitement de grands volumes de données spatiales à haute résolution et de modèles complexes de ML de formation exige une puissance de calcul et une capacité de stockage importantes, ce qui peut constituer un obstacle pour les organisations qui ne disposent pas des ressources nécessaires.

Intégration aux modèles hydrologiques existants

La combinaison sans faille des sorties ML avec les modèles hydrologiques et hydrauliques traditionnels pour produire des évaluations exhaustives des risques d'inondation demeure un défi technique qui exige une collaboration interdisciplinaire.

Tendances et orientations futures

La recherche et le développement en matière d'apprentissage géospatial des machines pour l'évaluation des risques d'inondation urbaine continuent de progresser rapidement, grâce aux innovations technologiques et aux besoins croissants de la société.

Systèmes de surveillance des inondations et d'alerte rapide en temps réel

L'intégration des appareils Internet des objets (IoT), tels que les pluviomètres intelligents et les capteurs de niveau d'eau, avec les modèles ML permet une surveillance continue et une prévision en temps quasi réel des inondations.

L'IA explicable (XAI) et la transparence modèle

Les efforts déployés pour élaborer des modèles de LM explicables visent à accroître la transparence en fournissant des indications interprétatives sur les caractéristiques qui influencent les prévisions des risques d'inondation, ce qui améliore la confiance des intervenants et facilite la prise de décisions éclairées.

Utilisation de données synthétiques et augmentées

Pour surmonter la pénurie de données, on étudie des techniques comme l'augmentation des données, les réseaux d'adversaires génériques (RAG) et la synthèse de données basées sur la simulation pour enrichir les ensembles de données de formation et améliorer la robustesse des modèles.

Informatique en nuage et traitement des bords

Les plateformes Cloud fournissent une infrastructure évolutive pour le traitement des données spatiales massives et le déploiement de modèles ML accessibles aux utilisateurs dans le monde entier. Parallèlement, le calcul de bord permet le traitement localisé des données sur des capteurs ou des appareils, réduisant ainsi la latence dans la détection des inondations.

Engagement communautaire et cartographie participative

L'intégration de données et de connaissances locales produites par les citoyens au moyen d'applications mobiles et d'un crowdsourcing complète les données de télédétection, ce qui améliore la granularité et la pertinence sociale des évaluations des risques d'inondation.

Intégration avec les cadres d'urbanisme et de résilience

Les cartes avancées des risques d'inondation produites par les mines géospatiales sont de plus en plus intégrées dans des stratégies globales de résilience urbaine, guidant les règlements de zonage, le développement d'infrastructures vertes et les politiques de réduction des risques de catastrophe.

Études de cas Démontrer les applications d'apprentissage automatique géospatial

Plusieurs villes ont mis en œuvre avec succès des techniques géospatiales de gestion des risques d'inondation afin d'améliorer la gestion des risques d'inondation :

  • Singapour: Tirant parti des données LiDAR à haute résolution et de l'imagerie satellitaire, Singapour utilise des modèles Random Forest et de l'apprentissage profond pour la cartographie en temps réel des inondations pour soutenir son initiative Smart Nation.
  • New York City, USA: L'intégration de données environnementales multisources avec les algorithmes ML a amélioré les prévisions de risque d'inondation dans les quartiers urbains de faible altitude, informant les améliorations des infrastructures post-Hurricane Sandy.
  • Jakarta, Indonésie: Combinant les données sur les précipitations et les cartes d'utilisation des terres urbaines, les modèles ML ont été utilisés pour identifier les points chauds des inondations et optimiser l'entretien des systèmes de drainage dans cette mégacité urbanisante.
  • Londres, Royaume-Uni: L'utilisation de machines vectrices de soutien couplées à la modélisation hydrologique a amélioré la délimitation des plaines inondables le long de la rivière Thames, aidant ainsi à la planification de la défense contre les inondations.

Conclusion

L'apprentissage géospatial des machines représente un changement de paradigme dans l'identification et la gestion des risques d'inondation en milieu urbain. En exploitant la puissance de divers ensembles de données spatiales et algorithmes sophistiqués, il permet de délimiter rapidement, avec précision et rentabilité les zones exposées aux inondations. Cette capacité est essentielle pour améliorer la résilience des villes, car elles sont confrontées aux deux pressions que sont le changement climatique et l'expansion urbaine.