L'IA du MIT prédit des phénomènes météo extrêmes inédits sans données historiques
Des ingénieurs du MIT ont dévoilé une IA capable de cartographier des phénomènes météo extrêmes n'ayant jamais eu lieu dans l'histoire. Contrairement aux modèles classiques qui se basent sur des données de catastrophes passées, cet outil, nommé Extreme Event Aware (ou η-learning), génère des scénarios plausibles de pires cas même lorsque de tels événements n'ont jamais été observés.
Développé par Kai Chang, étudiant en génie mécanique, et le professeur Themis Sapsis, l'algorithme combine des statistiques ponctuelles à une cartographie spatiale pour prévoir l'intensité des pluies et les zones potentiellement touchées, sans nécessiter d'exemples préalables d'événements extrêmes. « Ces méthodes supposent qu'il existe des catastrophes très graves dans les données », explique Chang. « Nous tentons de quantifier le Katrina qui survient tous les 100 ans — et pas seulement tous les 30 ou 40 ans. »
Au-delà des limites des risques historiques
La plupart des modèles de risque pour les assureurs, les urbanistes et les gestionnaires de réseaux reposent sur des ensembles de données contenant déjà des événements extrêmes. Ils identifient les conditions ayant produit des catastrophes passées et projettent des schémas similaires vers l'avenir. Mais cette approche restreint les prévisions à ce qui s'est déjà produit, laissant les planificateurs désarmés face à des extrêmes inédits. Sapsis souligne le défi : « Quel sera le Katrina qui se produit tous les 100 ans ? À quel point sera-t-il grave ? »
Comment l'algorithme réinvente la prévision
Le système utilise deux types de données. Les statistiques ponctuelles capturent la fréquence à laquelle une intensité de pluie donnée apparaît dans un ensemble de données, tandis que les cartes spatiales montrent comment l'impact d'un événement varie selon une région. En apprenant les relations statistiques entre l'intensité et les détails spatiaux, l'algorithme peut générer des cartes réalistes de pires cas, même lorsque les données d'entraînement contiennent peu ou pas d'exemples de tels extrêmes.
Lors des tests, les chercheurs ont utilisé 25 ans de données horaires de précipitations pour les États-Unis continentaux. Ils ont entraîné le modèle spatial sur des cartes à basse et haute résolution couvrant uniquement les six premiers mois — une période marquée par des pluies relativement légères. L'algorithme a ensuite appliqué les statistiques ponctuelles de l'ensemble des données pour limiter l'extrême des schémas générés. Pour New York, où la plus forte pluie enregistrée atteint 200 mm, le modèle a produit des cartes plausibles montrant des tempêtes délivrant 300 mm.
Pourquoi c'est important
Cette approche fait passer la prévision des phénomènes météo extrêmes d'une logique réactive à proactive. En s'affranchissant de la dépendance aux catastrophes historiques, elle aide les planificateurs à se préparer à des scénarios plausibles mais inédits, renforçant la résilience des infrastructures et la planification des interventions d'urgence. Pour les industries et les municipalités, la capacité à anticiper des pires cas — même jamais observés — peut faire la différence entre une préparation efficace et une catastrophe.
Source : AI News. Synthèse éditoriale assistée par IA — TechnoExpress.