En un siècle, on a dénombré 300 inondations au pays, dont 100 pendant les vingt dernières années, qui ont laissé derrière elles des dommages de plusieurs milliards de dollars. L’Ontario est la province la plus touchée (29), suivie du Québec (20). Ces sombres statistiques soulignent l’urgence d’agir.
À la Faculté de génie de l’Université d’Ottawa, le professeur Hossein Bonakdari mène des recherches en vue d’atténuer les conséquences des inondations. Au moyen d’outils faisant appel à l’intelligence artificielle (IA) et d’autres technologies novatrices, le professeur et son équipe cherchent des solutions pour mieux nous prémunir contre ce phénomène au Canada et assurer un avenir plus durable pour les générations à venir.
Une meilleure résilience contre les inondations dans le bassin de la rivière des Outaouais
La rivière des Outaouais, qui est essentielle pour la région de la capitale nationale, n’échappe pas aux inondations causées par le réchauffement climatique. Celle qui s’est produite en 2017, considérée alors comme l’inondation du siècle, a dû céder son titre à celle de 2019, qui a touché ou menacé plus de 6 000 résidences et forcé la fermeture de nombreuses routes. La Commission de la capitale nationale a estimé les dommages causés aux infrastructures à près de 10 millions de dollars.
Face à de tels phénomènes au potentiel dévastateur, une évaluation des risques multifactorielle et des prévisions précises peuvent changer la donne. Parce qu’ils se fondent essentiellement sur les données antérieures, les modèles d’apprentissage machine échouent souvent à prédire avec exactitude des événements sans précédent. Pour y remédier, le professeur Bonakdari et son équipe ont mis au point un modèle de prédiction des inondations en temps réel comportant plusieurs étapes, qui combine la modélisation numérique et l’apprentissage machine.
« Nos algorithmes d’apprentissage profond s’avèrent extrêmement efficaces pour prédire le débit de pointe, ce qui facilite la préparation et la prise de mesures rapide. »
Professeur Hossein Bonakdari
— Faculté de génie, Université d’Ottawa
Conçu à l’origine pour la rivière Saint-Charles, au Québec, l’algorithme d’apprentissage profond utilise à la fois des données sur les inondations passées et les prévisions météorologiques pour analyser la dynamique complexe de la rivière et prédire les crues avec une précision remarquable. Ainsi, le modèle peut émettre des avertissements d’inondation pour permettre à la population et aux autorités de prendre des mesures en amont.
Aujourd’hui, l’équipe du professeur Bonakdari applique ce modèle révolutionnaire à la rivière des Outaouais, constitue une base de données complète sur son débit et envisage un large éventail de scénarios, notamment par des simulations d’inondations futures.
Au-delà de la rive : les risques d'inondations à l'intérieur des terres
S’il est crucial de prédire avec exactitude les crues des rivières, il l’est tout autant de reconnaître les risques dans les régions éloignées des cours d’eau. Le professeur Bonakdari s’intéresse donc également aux zones à l’intérieur des terres susceptibles d’être inondées.
Pour évaluer ces risques, son équipe et lui utilisent une technique innovante d’apprentissage machine, la structure généralisée de la méthode de traitement de données par lots. Celle-ci surpasse les méthodes traditionnelles, qui peinent souvent à prédire le ruissellement, c’est-à-dire le trop-plein d’eau que la terre ne peut pas absorber.
L’étude intègre les données d’un capteur satellite utilisé pour recueillir de l’information sur le sol et les conditions climatiques, comme les réactions des plantes à la lumière du soleil, la terre, la topographie, la pluviométrie et le climat de la région, en vue d’analyser la dynamique de la végétation. Grâce à ces données, l’équipe produit des prédictions précises de ruissellement des eaux, qui sont essentielles pour suivre l’évolution de la vulnérabilité aux inondations et adapter les mesures préventives en conséquence.
Cette surveillance étroite des zones à risque éclaire les décisions des autorités, afin de répartir plus efficacement les ressources de protection contre les inondations pour assurer la sécurité de la population et la sauvegarde des infrastructures.
