L'équipe de recherche en intelligence artificielle de Google a récemment présenté Groundsource, une nouvelle méthodologie prometteuse conçue pour transformer des flux d'informations publiques non structurées en données historiques exploitables. Cette initiative s'appuie sur la puissance du modèle Gemini, l'un des fleurons de Google en matière d'IA, pour extraire et structurer des informations pertinentes, notamment concernant les catastrophes naturelles.

Le projet Groundsource s'attaque directement à un problème crucial : le manque de données historiques fiables et complètes, particulièrement en ce qui concerne les événements naturels soudains et dévastateurs. Ces données sont essentielles pour améliorer notre compréhension de ces phénomènes et développer des systèmes d'alerte précoce plus efficaces.

La première concrétisation de Groundsource est la création d'un ensemble de données open source colossal, regroupant 2,6 millions d'événements historiques d'inondations soudaines en milieu urbain, répartis dans plus de 150 pays. Cette base de données représente une ressource précieuse pour les chercheurs, les organisations humanitaires et les gouvernements du monde entier.

Le manque de données hydro-météorologiques représente un défi majeur dans le développement de modèles d'apprentissage automatique performants pour les systèmes d'alerte précoce (EWS). Ces modèles nécessitent des bases de données historiques vastes et précises pour leur entraînement et leur validation. Or, les aléas hydro-météorologiques, tels que les crues éclair, sont souvent caractérisés par l'absence de réseaux d'observation globaux et standardisés.

Les inondations soudaines ont des conséquences dramatiques. Selon l'Organisation météorologique mondiale (OMM), elles sont responsables d'environ 85 % des décès liés aux inondations, causant plus de 5 000 morts chaque année. L'impact humain et économique de ces catastrophes est considérable, soulignant l'urgence d'améliorer notre capacité à les prévoir et à s'en protéger.

Les bases de données existantes, telles que la Global Flood Database (GFD) et le Dartmouth Flood Observatory (DFO), fournissent des informations précieuses, mais elles présentent des limitations. Elles sont souvent basées sur des données satellitaires, qui peuvent être coûteuses à acquérir et difficiles à interpréter. De plus, ces bases de données peuvent manquer de précision ou de couverture géographique, limitant leur utilité pour l'analyse des risques et la planification des mesures de prévention. Groundsource, en exploitant la richesse des informations contenues dans les articles de presse du monde entier, offre une approche complémentaire et potentiellement plus complète. L'utilisation d'un modèle d'IA avancé comme Gemini permet d'extraire et de structurer efficacement ces informations, ouvrant la voie à une meilleure compréhension et une meilleure gestion des risques liés aux inondations soudaines et à d'autres catastrophes naturelles. Cette initiative pourrait bien marquer un tournant dans la façon dont nous collectons et utilisons les données pour protéger les populations et les infrastructures face aux aléas climatiques.