Vendredi après-midi, Caitlin Kontgis et certains des scientifiques de Descartes Labs se réunissent dans leur bureau de Santa Fe, au Nouveau-Mexique, pour se consacrer à un projet local ne faisant pas partie de leur travail: observer les ouragans d'en haut et voir s'ils peut comprendre ce que les tempêtes vont faire. *
Ils acquièrent des données auprès de GOES, le satellite géostationnaire d’environnement opérationnel exploité par la NOAA et la NASA, qui enregistre des images de l’hémisphère occidental toutes les cinq minutes. C'est à peu près le temps qu'il a fallu à l'équipe pour traiter chaque image à l'aide d'un algorithme d'apprentissage en profondeur qui détecte l'œil d'un ouragan et centre le processeur d'image sur celui-ci. Ensuite, ils incorporent des données de synthèse sur l’ouverture, qui utilisent un radar à ondes longues pour voir à travers les nuages, et peuvent discerner la présence d’eau en dessous en fonction de la réflectivité. Cela, à son tour, peut montrer des inondations presque en temps réel, suivies au fil des jours, de villes sur le chemin des ouragans.
«Le but de ces projets… est vraiment de mettre les données à la disposition des premiers répondants et des personnes qui prennent des décisions et qui peuvent aider», déclare Kontgis, scientifique principal en sciences appliquées chez Descartes.
L'ouragan Harvey, par exemple, a inondé de manière inattendue de grandes parties de Houston en dépit du ralentissement de la vitesse du vent. Cette tempête a inspiré les scientifiques de Descartes à élaborer le programme qu’ils utilisent maintenant, bien qu’il soit trop tard pour appliquer ces données aux efforts de récupération. Bien que Descartes Labs ait été en contact avec la FEMA et d’autres organisations, les données recueillies ne sont pas utilisées officiellement.
Cette image montre la probabilité d’eau avant l’ouragan Harvey sur la région rurale du sud de Houston, telle que mesurée par un modèle de vision par ordinateur en apprentissage en profondeur de Descartes Labs destiné à la détection des inondations. L'image "avant" date du 1er juin 2017. (Descartes Labs) 
Cette image montre la probabilité que de l'eau se forme pendant l'ouragan Harvey au même endroit. Les bleus plus foncés indiquent une probabilité plus élevée d'eau. Cette image "pendant" date du 29 août 2017. (Descartes Labs) Le travail avec les ouragans ne fait pas partie de l'activité principale de Descartes, qui consiste à utiliser un apprentissage automatique similaire pour évaluer les chaînes d'approvisionnement alimentaire, l'immobilier et plus encore. Par exemple, Descartes peut examiner les données satellitaires de l'agriculture au Brésil, en Argentine et en Chine et établir des prévisions sur les rendements et les prix mondiaux du maïs. Ou bien il peut évaluer les taux de construction et estimer la valeur du terrain. Mais le groupe peut utiliser la même technologie pour examiner les ouragans et autres catastrophes naturelles et envisage d'incorporer des informations supplémentaires à l'algorithme à l'avenir, telles que la taille de l'ouragan, la vitesse du vent et même l'altitude du sol pour mieux prévoir les inondations.
Descartes est l’un des nombreux organismes, entreprises et groupes de recherche qui s’appuient sur le Big Data et l’apprentissage automatique pour la prévision, la sécurité et la sensibilisation aux ouragans. Réussir pourrait signifier une diminution des dommages - économiques et humains - face à l’aggravation des tempêtes induites par le climat, ou du moins une multiplication des options permettant d’atténuer ces dommages.
Amy McGovern, professeur d’informatique à l’Université de l’Oklahoma, estime que l’orientation d’un ouragan est une perspective bien établie. McGovern étudie l’utilisation de l’intelligence artificielle dans la prise de décision concernant les orages et les tornades, mais pas les ouragans, pour cette raison. Mais elle dit qu'il y a encore beaucoup de facteurs dans les ouragans qui sont difficiles à prédire. L'endroit où ils vont atterrir est peut-être prévisible, mais ce qui se passera une fois qu'ils seront là est une autre histoire. Les ouragans sont bien connus pour leur essoufflement ou leur montée en puissance juste avant l’atterrissage.
Même avec les réseaux de neurones, les modèles à grande échelle utilisent tous certaines hypothèses, grâce à une quantité finie de données qu’ils peuvent incorporer et à un nombre presque infini de types d’entrées potentiels. «Cela fait tout un défi pour AI», déclare McGovern. «Les modèles ne sont certainement pas parfaits. Les modèles sont tous à différentes échelles. Ils sont disponibles à différentes résolutions temporelles. Ils ont tous des préjugés différents. Un autre défi est simplement la quantité de données écrasante. "
C'est l'une des raisons pour lesquelles de nombreux scientifiques se tournent vers l'IA pour comprendre toutes ces données. Même la NOAA s’engage. Ce sont eux qui exploitent les satellites GOES, ils sont donc également inondés de données.
Jusqu'à présent, les scientifiques de la NOAA utilisent l'apprentissage en profondeur pour comprendre les données qu'ils peuvent obtenir à partir de leurs images, en particulier maintenant que le nouveau GOES-16 peut détecter 16 bandes spectrales différentes, chacune offrant un aperçu différent des conditions météorologiques, produisant une ordre de grandeur plus de données que le satellite précédent. «Le traitement des données satellitaires peut être considérablement plus rapide si vous appliquez un apprentissage en profondeur», déclare Jebb Stewart, responsable de l'informatique et de la visualisation à la NOAA. «Cela nous permet de regarder. Il y a un tuyau d'information à feu… lorsque le modèle crée ces prévisions, nous avons un type de problème d'information différent, en étant capable de traiter cela pour le comprendre dans les prévisions. ”
La NOAA forme ses ordinateurs à la détection des ouragans à partir de ses images satellites et les combinera éventuellement avec d'autres couches de données pour améliorer les prévisions probabilistes, ce qui aidera la Marine, les compagnies de navigation commerciale, les plates-formes pétrolières et de nombreuses autres industries à prendre de meilleures décisions quant à leur avenir. opérations.
La NASA utilise elle aussi l'apprentissage en profondeur pour estimer l'intensité en temps réel des tempêtes tropicales, en développant des règles algorithmiques reconnaissant les caractéristiques des spectres visible et infrarouge. L'outil Web de l'agence permet aux utilisateurs de voir les images et les prévisions de la vitesse du vent pour les ouragans en direct et historiques à partir des données GOES.
Une fois que nous pouvons nous attendre à ce que les ordinateurs détectent les ouragans de manière fiable, nous avons besoin d’un moyen de traduire cela en quelque chose que les gens peuvent comprendre. Il y a beaucoup plus d'informations disponibles que la vitesse du vent, et en comprendre le sens peut nous aider à comprendre toutes les autres façons dont les ouragans affectent les communautés. Hussam Mahmoud, professeur agrégé d'ingénierie civile et environnementale à la Colorado State University, a examiné de manière approfondie les facteurs qui rendent certains ouragans plus désastreux que d'autres. Parmi eux, explique-t-il, ce sont principalement les endroits où ces tempêtes ont touché terre et ce qui les attend lorsqu'ils arriveront là-bas. Il n'est pas surprenant de penser qu'un ouragan qui frappe une ville causera plus de dégâts qu'un ouragan qui frappe une côte inoccupée, mais un autre qui frappe une zone préparée avec des digues et d'autres facteurs atténuants aura également un impact réduit.
Une fois que vous savez quel type de dommages vous pouvez vous attendre, vous pouvez être mieux préparé aux défis auxquels font face les villes, comme l'encombrement des hôpitaux et la fermeture des écoles, et vous pouvez être plus certain que l'évacuation est nécessaire. Mais il y a aussi le problème de la communication: actuellement, les ouragans sont décrits par leur vitesse de vent, classée dans les catégories 1 à 5. Mais la vitesse du vent n'est qu'un prédicteur des dommages. Mahmoud et ses collaborateurs ont publié l'année dernière une étude dans Frontiers in Built Environment concernant une évaluation appelée le niveau d'impact de l'ouragan.
«Nous voulions faire quelque chose pour mieux communiquer le risque, en prenant en compte les différentes possibilités offertes par cet aléa», a déclaré Mahmoud. "L'onde de tempête serait très importante, la quantité de précipitations que vous avez est très importante et la vitesse du vent."
Le projet intègre les données des tempêtes récentes (vitesse du vent, ondes de tempête et précipitations, mais également de la localisation et de la population) et leur applique un réseau de neurones. Ensuite, il peut s'entraîner lui-même en estimant, par exemple, si un ouragan doit atterrir à l'emplacement X, avec une vitesse du vent Y, une onde de tempête Z, etc., les dommages seraient probablement d'un niveau particulier, exprimé en coût économique. Il compare les entrées des enregistrements NOAA, des données de recensement et d'autres sources d'orage réels et donne un niveau de dommage similaire à celui de ces orages. L'équipe de Mahmoud l'a essayée pour de vrai, et au cours des deux dernières années, le modèle a fourni des estimations précises des ouragans qui ont touché terre.
«Si nous pouvons faire cela, peut-être pourrions-nous d'abord comprendre l'ampleur des dégâts que nous sommes sur le point de subir à la suite d'un ouragan, et… nous en servir pour émettre des ordres d'évacuation, qui ont été l'un des principaux problèmes d’atténuation et de réaction aux ouragans », déclare Mahmoud.
Le système proposé par Mahmoud n'a pas encore été déployé, mais il est en pourparlers avec The Weather Channel, qu'il appelle à un stade précoce, mais prometteur.
The Weather Company (la société mère de The Weather Channel) utilise déjà la plate-forme Big Data de PAIRS Geoscope de sa filiale IBM pour prévoir les pannes de courant et préparer ainsi une meilleure réponse aux catastrophes à la suite des ouragans. Les entrées du système ne proviennent pas uniquement de satellites météorologiques, mais également de modèles de réseau de distribution et de l'historique des pannes de courant. Ces prévisions bénéficieront également de l'ajout de plus en plus de sources de données, y compris l'humidité du sol, ce qui peut aider à prévoir les chutes d'arbres.
La quantité de données disponibles s'accroît extrêmement rapidement, de même que notre capacité à les traiter, une course aux armements laissant entrevoir un avenir de précision croissante et de prévision probabiliste des ouragans qui contribueront à la préparation aux tempêtes dans le monde entier.
# Alder, Mountaineer, andMosesFiresFire # Alder, Mountaineer, andMosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, long: 36, 410, -118, 740; 1718 acres # CAfire pic.twitter.com/B2ZwfmxJiv
- Signal de feu de forêt (@wildfiresignal) 27 novembre 2018
Descartes Labs a également un autre projet en préparation, sans rapport avec les ouragans, mais il s'appuie sur une technologie similaire pour faire face à une autre catastrophe naturelle, les incendies de forêt. Quand un incendie de camp en Californie a éclaté début novembre, un bot de Twitter appelé @wildfiresignal est apparu. Construit par la même équipe de Descartes, @wildfiresignal rode les données toutes les six heures à partir de GOES-16 pour les panaches de fumée et les tweets d'images optiques et infrarouges côte à côte de l'incendie. Les informations infrarouges peuvent indiquer la chaleur du feu, ce qui peut aider à visualiser son emplacement au tout début de l'incendie ou la nuit lorsque la fumée est difficile à voir. Cela pourrait aider les pompiers ou les résidents à planifier les issues de secours à l'approche de l'incendie, mais, comme dans le cas du projet ouragan, les collaborations avec les pompiers ou les forêts nationales sont préliminaires.
«Si nous pouvions avoir un système d'alerte mondial où vous pouviez savoir quand un incendie se déclarait moins de dix minutes plus tard, ce serait spectaculaire», déclare Mark Johnson, PDG de Descartes. "Nous sommes probablement encore loin de cela, mais c'est le but ultime."
* Note de l'éditeur, 28 novembre 2018: une version précédente de cet article indiquait à tort que le siège de Descartes Labs se situe à Los Alamos, au Nouveau-Mexique, alors qu'il se trouve actuellement à Santa Fe, au Nouveau-Mexique. L'histoire a été modifiée pour corriger ce fait.
