Spatial machine learning and explainable artificial intelligence predict urban road flood vulnerability in coastal West Africa

Dans les villes côtières d'Afrique de l'Ouest, le sol se dérobe sous les pieds de ceux qui les construisent et les entretiennent. La croissance urbaine rapide recouvre les paysages naturels, transformant des sols qui autrefois absorbaient la pluie en surfaces dures qui repoussent l'eau. Parallèlement, le climat change, apportant des tempêtes plus violentes qui submergent les vieux systèmes de drainage. Pour les ingénieurs chargés de maintenir les routes ouvertes et sûres, cela crée un casse-tête dangereux. Les méthodes traditionnelles pour prédire où une route pourrait être inondée reposent sur des relevés topographiques détaillés et coûteux ainsi que sur des simulations physiques complexes. Ces approches fonctionnent bien pour un pont isolé ou une autoroute majeure, mais elles sont trop coûteuses et trop lentes pour être appliquées aux vastes réseaux tentaculaires de petites rues qui relient des quartiers entiers. Lorsqu'une ville n'a pas les moyens de cartographier chaque centimètre de son réseau routier, elle réagit souvent seulement une fois les dégâts causés, réparant les routes seulement après qu'elles ont été emportées.

Une nouvelle approche offre une voie différente, qui repose sur les vastes quantités de données gratuites déjà disponibles via les satellites et les cartes ouvertes. Des chercheurs ont développé une méthode qui combine ces sources de données ouvertes avec un type d'apprentissage informatique conçu pour être transparent. Au lieu de traiter l'ordinateur comme une « boîte noire » mystérieuse qui se contente de produire un score de risque, cette méthode utilise une technique appelée intelligence artificielle explicable. Cet outil déshabille les couches de la prise de décision de l'ordinateur pour révéler les raisons physiques spécifiques pour lesquelles une route est vulnérable. Il permet aux ingénieurs de voir non seulement que une route est à risque, mais pourquoi elle est à risque, transformant des probabilités abstraites en instructions d'ingénierie concrètes.

L'étude s'est concentrée sur les réseaux routiers des villes côtières d'Afrique de l'Ouest, où la menace d'inondation est aiguë. Les chercheurs ont commencé par prendre la carte numérique des routes et l'ont décomposée en petits morceaux gérables, chacun mesurant exactement cent mètres de long. Pour chaque segment de route, ils ont rassemblé un ensemble de faits provenant de bases de données mondiales gratuites. Ils ont examiné l'altitude du terrain, la pente, la proportion de la zone environnante couverte de béton ou de bâtiments, et la quantité de pluie tombée par le passé. Ils ont également vérifié les archives historiques pour voir quels segments de route avaient réellement subi des inondations auparavant. Cela a créé un ensemble de données massif où chaque segment de route était associé aux conditions ayant mené à sa défaillance ou à sa survie.

Pour donner du sens à ces données, l'équipe a entraîné un modèle informatique puissant connu sous le nom d'arbre de décision boosté par gradient (gradient-boosted decision tree). Imaginez ce modèle comme un analyste hautement qualifié capable de repérer des motifs subtils dans une montagne d'informations qui pourraient échapper à un humain. Le modèle a appris à prédire si un segment de route serait inondé en fonction de ses caractéristiques physiques. Il a fonctionné avec une précision remarquable, identifiant correctement les routes vulnérables dans la grande majorité des cas. Cependant, la véritable percée ne résidait pas seulement dans la prédiction, mais dans l'explication. En utilisant l'outil d'intelligence artificielle explicable, les chercheurs ont pu demander au modèle de montrer son raisonnement. Ils ont découvert que l'ordinateur ne devinait pas ; il s'appuyait sur des limites physiques spécifiques et mesurables.

Les conclusions ont renversé une hypothère courante en planification urbaine. Depuis des décennies, les responsables municipaux supposent souvent que les routes principales et majeures sont les plus critiques à protéger, tandis que les petites rues locales sont moins importantes. Les données ont montré que c'était faux. Le modèle informatique a révélé que l'étiquette administrative d'une route — qu'il s'agisse d'une artère principale ou d'une petite rue de desserte — n'avait aucune influence réelle sur le fait qu'elle soit inondée ou non. Une petite route située dans une zone basse et plate avec une forte concentration de béton à proximité était tout aussi susceptible de céder qu'une autoroute majeure au même endroit. Les facteurs qui comptaient réellement étaient les conditions physiques locales : l'altitude de la route par rapport au niveau de la mer, la pente du terrain et la proportion de terres recouvertes par des bâtiments dans les environs.

L'étude a identifié précisément les seuils où le risque d'inondation augmente de manière spectaculaire. Les routes situées à une altitude inférieure à douze mètres au-dessus du niveau de la mer se sont révélées être en grave danger. Lorsque la pente du sol était inférieure à deux et demi degrés, l'eau n'avait nulle part où aller, entraînant des accumulations dangereuses. De même, lorsque plus de soixante-cinq pour cent de la terre située à proximité immédiate de la route était couverte par des bâtiments ou du pavage, l'eau n'avait aucun endroit où s'infiltrer, la forçant à déferler sur la surface de la route. Le modèle a également identifié que lorsqu'une seule journée de pluie dépasse cent quarante-cinq millimètres, la base structurelle de la route devient saturée et cède. Ce ne sont pas des avertissements vagues ; ce sont des points de bascule physiques précis.

Ce travail fournit un plan directeur clair pour les villes qui manquent de budget pour des levés de terrain coûteux. Au lieu d'attendre qu'une catastrophe survienne, les ingénieurs municipaux peuvent désormais utiliser ces chiffres spécifiques pour guider leurs décisions. Si une route se trouve dans une zone plate avec une pente de moins de deux et demi degrés, la ville sait qu'elle doit surélever la chaussée ou améliorer le drainage immédiatement. Si un quartier est devenu si bétonné que plus de soixante-cinq pour cent de la surface est imperméable, la ville sait qu'elle doit installer des surfaces perméables ou des tuyaux de drainage plus larges. La recherche suggère qu'en se concentrant sur ces réalités physiques plutôt que sur les catégories administratives des routes, les villes peuvent diriger leurs fonds limités vers les endroits où ils seront le plus utiles.

Les implications dépassent la simple réparation des routes. En comprenant exactement où et pourquoi les infrastructures échouent, les villes peuvent planifier l'avenir avec plus de confiance. Les chercheurs proposent que ces conclusions soient inscrites dans les codes de construction locaux et les règles de conception du drainage. Lorsqu'une nouvelle route est planifiée, ou qu'une ancienne est réparée, la conception doit être basée sur ces seuils physiques. Si le sol est trop plat ou si la zone environnante est trop pavée, les spécifications d'ingénierie doivent changer pour compenser. Ce passage d'une réparation réactive à une conception proactive basée sur les données offre un moyen de renforcer la résilience dans certaines des zones côtières les plus vulnérables du monde.

En fin de compte, l'étude démontre que l'adaptation climatique de haute qualité ne nécessite pas toujours de nouvelles technologies coûteuses ou de grandes équipes de terrain. En combinant des données satellitaires librement accessibles avec des modèles informatiques intelligents et transparents, il est possible de percevoir les risques cachés dans l'infrastructure d'une ville. Le résultat est un guide pratique et actionnable qui indique aux ingénieurs exactement quoi réparer et comment le faire. Dans un monde où le changement climatique rend les phénomènes météorologiques extrêmes plus fréquents, cette capacité à prédire et à prévenir les défaillances est un outil vital pour maintenir les communautés connectées et en sécurité.