Peut-on vraiment prédire les crues-éclair, ces catastrophes météorologiques soudaines qui déciment des milliers de vies chaque année ? Face à leur imprévisibilité et à l’absence de données fiables, la technologie a-t-elle finalement trouvé une voie innovante pour contrer ce fléau ?
Jusqu’à récemment, les crues-éclair demeuraient l’un des plus grands casse-tête pour les chercheurs en météorologie. Pourquoi ? Ces événements sont si rapides et localisés qu’ils échappent aux systèmes de surveillance traditionnels, et la pénurie de données rend les prédictions hasardeuses. Les algorithmes d’apprentissage profond, même les plus avancés, demeuraient impuissants. Alors, comment collecter l’information là où elle n’existe même pas ?
La réponse surprenante vient de Google, qui a décidé de “lire” l’actualité pour combler ce vide scientifique. En déployant son modèle de langage Gemini, l’entreprise a passé au crible cinq millions d’articles de presse internationaux, extrayant ainsi les détails de 2,6 millions d’inondations et créant une base de données géolocalisée sans précédent : Groundsource. Au lieu de se contenter d’analyses météorologiques, Google explore donc le potentiel insoupçonné des témoignages humains. Jusqu’à quel point les mots des journalistes et des témoins peuvent-ils remplacer capteurs et stations météo ?
En transformant la parole humaine en données, Google change la donne de la prévision des catastrophes naturelles.
Grâce à cette initiative, une intelligence artificielle basée sur un réseau neuronal (LSTM) a pu être entraînée pour injecter ces données “humaines” dans des simulations météo, améliorant la prévision des crues-éclair à l’échelle mondiale. Le système couvre désormais 150 pays via la plateforme Flood Hub, et les premiers retours des professionnels du secours, notamment en Afrique australe, saluent une nette accélération dans la réactivité face aux crises. Mais la question demeure : ces alertes globales, basées sur des zones de 20 km² et sans données radar locales en temps réel, peuvent-elles rivaliser avec les systèmes traditionnels comme celui du National Weather Service américain ?
Derrière cette approche, on discerne une volonté de démocratiser l’accès à la prévision, surtout dans les pays où les moyens techniques font défaut. En agrégeant des millions d’articles, Groundsource permet non seulement d’affiner la cartographie du risque, mais d’offrir un outil utilisable là où les infrastructures manquent cruellement. Est-il possible de généraliser cette méthode à d’autres tragédies “éphémères”, comme les vagues de chaleur ou les glissements de terrain ?
Ce projet de Google s’inscrit dans une tendance plus large : celle où les startups et les laboratoires scientifiques, à l’image de dynamical.org, cherchent à lui emboîter le pas en rendant la donnée météo accessible et “prête à l’emploi” pour les modèles d’intelligence artificielle. L’idée de générer des bases de données quantitatives à partir de textes et de témoignages suscite l’enthousiasme, mais aussi la prudence.
Comme le souligne Marshall Moutenot, spécialiste des modèles de prévision hydrologique, si la surabondance de données brutes contraste avec la rareté des observations vérifiées, la créativité de Google offre un nouveau souffle aux sciences de la Terre. Ce projet peut-il, à long terme, combler définitivement le fossé entre l’information médiatique et la vérité scientifique ?
Les crues-éclair ne seraient-elles que le début d’une révolution où la technologie fait parler le monde pour mieux l’anticiper ?
Source : Techcrunch
