Une IA du MIT simule des images satellites pour mieux préparer les inondations

Voir sur une carte qu’un quartier est exposé à une inondation ne provoque pas toujours la même réaction que le voir, en apparence, sous les eaux. C’est sur cette différence de perception que travaillent des chercheurs du Massachusetts Institute of Technology, le MIT. Leur méthode utilise l’intelligence artificielle pour produire des images satellites réalistes de scénarios de crue, tout en s’appuyant sur un modèle physique afin d’éviter que l’IA ne place l’eau là où elle ne devrait pas se trouver.

Présentée le 25 novembre 2024 sous le nom d’Earth Intelligence Engine, cette approche ne consiste pas à remplacer les prévisions météorologiques ou les alertes officielles. Son objectif est plutôt de transformer des informations complexes sur les risques d’inondation en visualisations immédiatement compréhensibles. Pour des habitants vivant près d’un fleuve ou sur le littoral, comme pour les autorités qui préparent une évacuation, cette couche visuelle pourrait rendre un danger abstrait beaucoup plus concret.

Pourquoi rendre une crue visible depuis l’espace ?

Les cartes de risques et les simulations hydrologiques sont indispensables à la gestion des catastrophes. Elles permettent d’indiquer les secteurs susceptibles d’être touchés, de mesurer l’étendue possible d’une zone inondée et d’orienter les secours. Mais elles se présentent souvent sous la forme de surfaces colorées, de courbes ou de données techniques. Des outils très utiles aux spécialistes, mais qui peuvent être difficiles à interpréter rapidement pour le grand public.

L’idée des chercheurs du MIT est d’ajouter une représentation plus intuitive : une image qui ressemble à une vue satellite d’un territoire tel qu’il pourrait apparaître après une tempête. Les rues, les bâtiments, les espaces verts et les cours d’eau restent reconnaissables, tandis que les zones potentiellement submergées deviennent visibles dans leur environnement réel.

Cette distinction est importante. Une crue désigne la montée du niveau ou du débit d’un cours d’eau. Une inondation correspond aux conséquences de ce phénomène lorsque l’eau déborde, s’accumule ou submerge des espaces habituellement secs. La méthode étudiée cherche à visualiser les conséquences spatiales d’un scénario d’inondation, et non à réduire un événement complexe à une seule image spectaculaire.

Comment fonctionne Earth Intelligence Engine ?

Le système associe deux éléments qui répondent à des besoins différents. Le premier est un modèle d’intelligence artificielle générative chargé de créer une image satellite synthétique. Le second est un modèle physique de prévision des inondations, qui apporte des contraintes liées au comportement attendu de l’eau lors d’une tempête.

L’IA utilisée relève de la famille des réseaux antagonistes génératifs conditionnels, souvent désignés par l’acronyme anglais GAN. Dans ce type d’architecture, deux réseaux de neurones sont entraînés en interaction :

• le générateur produit des images synthétiques à partir de données et de conditions fournies ;
• le discriminateur apprend à différencier les images réelles des images créées par le générateur.

Cette compétition progressive aide le générateur à créer des images plus convaincantes. Le terme « conditionnel » signifie que l’image n’est pas produite au hasard : elle est guidée par des informations associées au scénario étudié. Ici, le modèle physique fournit précisément un cadre pour relier l’apparence de l’inondation à une simulation des effets d’une tempête.

Ce couplage répond à une faiblesse connue des modèles génératifs : ils peuvent créer une image plausible à première vue tout en introduisant des incohérences avec le monde réel. Dans ce contexte, une image séduisante mais physiquement impossible serait particulièrement problématique, puisqu’elle pourrait déformer la perception d’un risque.

Houston et l’ouragan Harvey comme cas d’étude

Pour évaluer leur méthode, les chercheurs se sont intéressés à Houston, au Texas. Ils ont produit des visuels illustrant les effets potentiels d’une tempête de type ouragan Harvey, l’événement qui a frappé la région en 2017. Les images générées ont ensuite été comparées à de véritables images satellites prises après la catastrophe.

Ce choix permet de confronter la simulation à un événement dont les conséquences sont observables. Il ne s’agit donc pas seulement de demander à un système de créer une ville inondée crédible visuellement. L’enjeu est de vérifier si les zones représentées comme touchées correspondent de manière plus fiable à ce qu’un modèle physique de crue et les images réelles permettent d’attendre.

Les résultats rapportés par l’équipe vont dans ce sens : les images produites avec l’intégration de la simulation physique se sont révélées plus réalistes et plus précises que celles générées par le seul modèle d’IA. Sans ce garde-fou, le système pouvait notamment faire apparaître des inondations dans des secteurs où elles ne pouvaient pas se produire, par exemple sur des zones situées en altitude élevée.

Pourquoi la physique limite les hallucinations de l’IA

Dans le langage de l’intelligence artificielle, une « hallucination » désigne une production qui paraît cohérente mais qui est erronée. Pour un générateur d’images, cela peut se manifester par des éléments irréalistes, mal placés ou incompatibles avec la situation représentée. Dans une application liée aux catastrophes naturelles, ce n’est pas un défaut anodin.

Un modèle génératif entraîné sur des images peut apprendre à associer certains indices visuels à une inondation : eau autour des bâtiments, routes submergées, végétation partiellement recouverte. Mais il ne possède pas, par nature, une compréhension fiable de la topographie ou de la dynamique de l’eau. Il peut donc produire une scène impressionnante sans respecter les contraintes qui gouvernent une crue.

Le modèle physique joue ici le rôle d’ancrage. Il ne sert pas à embellir l’image, mais à indiquer à l’IA les zones cohérentes avec le scénario d’inondation étudié. L’image finale garde ainsi l’intérêt pédagogique d’une vue satellite réaliste, tout en étant guidée par une simulation qui limite les incohérences géographiques les plus manifestes.

Un outil de communication pour les habitants et les décideurs

Selon Björn Lütjens, auteur principal du projet, ce type de visualisation pourrait aider à sensibiliser les personnes vivant dans des zones menacées et les encourager à évacuer lorsque cela est nécessaire. L’intérêt n’est pas uniquement technique. Il est aussi social : face à un danger qui paraît lointain, montrer les effets possibles dans un quartier familier peut faciliter la prise de conscience.

Pour les décideurs publics, la méthode pourrait aussi compléter les instruments traditionnels. Les cartes produites à partir de modèles physiques demeurent nécessaires pour planifier les secours, les infrastructures et les mesures de prévention. Les images satellites générées ne les remplacent pas. Elles ajoutent une représentation plus proche de la façon dont les citoyens perçoivent leur environnement.

Cette dimension peut compter dans plusieurs situations :

• informer les habitants d’une zone côtière ou fluviale des conséquences possibles d’une tempête ;
• préparer une communication plus compréhensible autour d’un plan d’évacuation ;
• illustrer les zones à protéger ou à surveiller en priorité ;
• engager une discussion sur la résilience des infrastructures face aux intempéries.

L’enjeu est d’éviter deux écueils. D’un côté, une communication trop technique, qui laisse une partie du public sans repères. De l’autre, une image frappante mais détachée de données fiables, qui risquerait d’inquiéter inutilement ou d’induire les personnes en erreur. La combinaison entre IA et physique est précisément conçue pour rapprocher la force visuelle de la rigueur de la modélisation.

Une plateforme ouverte pour explorer la méthode

Le projet est présenté sur une plateforme en ligne, afin que d’autres experts puissent explorer et tester cette technologie. Cette mise à disposition peut favoriser l’étude de nouveaux usages, dans des contextes différents de celui de Houston, et contribuer à faire circuler les méthodes de visualisation des risques environnementaux.

Le travail a bénéficié de soutiens cités du MIT Portugal Program et de la NASA. Ces appuis illustrent l’intérêt croissant pour des outils capables d’associer données satellitaires, modélisation et intelligence artificielle dans le domaine de l’environnement et de la sécurité publique.

Pour autant, le cas de Houston ne suffit pas à établir que la méthode produira automatiquement des résultats aussi fiables dans toutes les villes et pour toutes les formes d’inondation. Les territoires diffèrent par leur relief, leur urbanisation, leurs réseaux hydrauliques et leurs conditions météorologiques. Une visualisation destinée à éclairer une décision locale doit donc être évaluée dans le cadre géographique et physique correspondant.

Ce qu’il faut surveiller

La principale promesse d’Earth Intelligence Engine réside dans son approche hybride. Au lieu d’opposer les modèles physiques, souvent rigoureux mais difficiles à lire, et l’IA générative, expressive mais sujette aux erreurs, les chercheurs tentent de combiner leurs atouts. La simulation fournit un cadre, l’IA traduit ce cadre en une scène plus intelligible.

Les prochaines questions concerneront surtout la robustesse de cette démarche. Il faudra notamment déterminer comment elle se comporte dans d’autres territoires, avec d’autres scénarios de tempête et auprès de publics non spécialistes. La clarté de l’étiquetage des images sera tout aussi importante : une simulation utile doit rester identifiable comme telle, même lorsqu’elle ressemble fortement à une photographie satellite.

Si cette exigence est respectée, ces visualisations pourraient devenir un complément précieux aux cartes de risque. Elles ne prédisent pas seules l’avenir et ne remplacent ni les systèmes d’alerte ni l’expertise humaine. Mais elles peuvent aider à mieux voir, donc potentiellement à mieux comprendre, les conséquences possibles d’une crue avant qu’elle ne survienne.