Intelligence artificielle
Comment l’IA transforme la récupération après les tornades
Ajouter Securities.io à vos sources préférées sur Google
Comment l’IA améliore la récupération après les catastrophes naturelles
Lorsque les catastrophes naturelles frappent, le besoin immédiat est de sauver les habitants locaux et de restaurer les infrastructures à un état fonctionnel, en particulier l’électricité, l’eau potable et les soins de santé.
Cela devient un problème croissant, la facture de tels événements augmentant constamment au cours de la dernière décennie, sous l’effet du changement climatique et d’une population en croissance.
Source: Spire
Cependant, la véritable récupération d’une communauté prend beaucoup plus de temps, l’évaluation des dommages puis la reconstruction prenant des mois, voire des années.
Souvent, cela est retardé par l’énorme charge de problèmes à identifier et à évaluer correctement. L’inspection individuelle de chaque bâtiment peut prendre beaucoup de temps, surtout si les compagnies d’assurance, les services d’urgence et les autres parties prenantes manquent de personnel.
« Les inspections de terrain manuelles sont intensives en main-d’œuvre et chronophages, retardant souvent les interventions critiques. »
Cela pourrait maintenant changer grâce à la technologie IA. Deux chercheurs de l’Université Texas A&M ont développé un système d’IA utilisant la télédétection, l’apprentissage profond et des modèles de restauration pour prédire avec précision en moins d’une heure les évaluations des dommages causés par les tornades et la récupération.
Cette méthode pourrait aider à mieux organiser les efforts de récupération, et a été publiée dans Sustainable Cities and Society1, sous le titre « Évaluation automatisée des dommages aux bâtiments post‑tornade et prédiction de la récupération en intégrant la télédétection, l’apprentissage profond et les modèles de restauration”.
« Notre méthode utilise des images de télédétection à haute résolution et des algorithmes d’apprentissage profond pour générer des évaluations des dommages en quelques heures, fournissant immédiatement aux premiers intervenants et aux décideurs des renseignements exploitables. »
Dévastation des tornades : une menace croissante aux États‑Unis
Lorsque la nature se déchaîne, elle peut être dévastatrice pour les personnes et les villes où elles vivent. Un exemple en est les tornades, un phénomène relativement régulier dans de nombreuses régions du monde, y compris le soi‑disant Tornado Alley aux États‑Unis.
Source: Weather and Radar
Par exemple, au printemps 2011, Joplin, Missouri, a été dévastée par une tornade EF5 avec des vents estimés à plus de 200 mph (321 km/h). La tempête a tué 161 personnes, blessé plus de 1 000 et endommagé ou détruit environ 8 000 maisons et entreprises. La tornade a creusé un sillon d’un mile de large à travers la zone densément peuplée du sud‑centre de la ville, laissant derrière elle des kilomètres de décombres éclatés et causant plus de 2 milliards de dollars de dégâts.
Ce mois‑ci même, des tornades meurtrières ont détruit de nombreuses maisons et causé d’importants dégâts dans le Midwest et le Sud des États‑Unis.
Il faudra probablement beaucoup de temps pour saisir pleinement l’ampleur des dommages causés par ces tornades. Et c’est là que les chercheurs de l’Université Texas A&M pensent pouvoir aider.
Défis de l’évaluation des dommages post‑tornade
Après un tel événement, la procédure standard consiste à faire intervenir une série d’intervenants de première ligne, d’urbanistes et d’experts en assurance pour évaluer la destruction et déterminer la réponse appropriée.
Cela est particulièrement vrai pour les tornades, car le vent et les objets lourds qu’elles soulèvent peuvent détruire même les bâtiments les plus solides.
« Les enquêtes de dommages post‑catastrophe sont généralement chronophages et intensives en main‑d’œuvre, se concentrant principalement sur le raffinement continu des modèles et du code plutôt que sur des mises à jour immédiates et rapides. »
Quelques démarches préliminaires ont été entreprises pour utiliser les données existantes afin d’analyser les dommages post‑catastrophe, notamment les systèmes d’information géographique (SIG), qui rassemblent plusieurs couches de données sur un lieu donné.
Mais la façon dont ces données sont exploitées est souvent insuffisante pour fournir des évaluations précises. Cela nécessite également de nombreuses interventions manuelles et un jugement humain pour les transformer en métriques utilisables. C’est ici que l’ajout d’informations supplémentaires et l’IA peuvent aider.
Modèle alimenté par l’IA pour l’évaluation des dommages et la récupération
Fusion des ressources existantes avec l’IA
Les chercheurs ont combiné trois outils différents : télédétection, apprentissage profond et modélisation de la restauration.
Pour mieux évaluer les dommages immédiats et les changements après la catastrophe, ils ont utilisé télédétection comme des images satellites ou aériennes à haute résolution.
« Ces images sont cruciales car elles offrent une vue macro‑échelle de la zone affectée, permettant une détection rapide et à grande échelle des dommages. »
Ensuite, les méthodes d’apprentissage profond ont été utilisées pour analyser automatiquement ces images afin d’identifier avec précision la gravité des dommages.
L’IA a été entraînée sur des milliers d’images de catastrophes précédentes et a appris à reconnaître les signes visibles de dommages tels que les toits effondrés, les murs manquants et les débris éparpillés. Elle classe ensuite chaque bâtiment en catégories comme aucun dommage, dommage modéré, dommage majeur ou détruit.
Le dernier élément est la modélisation de la restauration. Une partie consiste à utiliser des données sur les détails des infrastructures et les facteurs communautaires, comme les niveaux de revenu ou l’accès aux ressources.
Une autre partie utilise des modèles de récupération existants et éprouvés pour estimer le temps nécessaire à la remise en état des maisons et des quartiers sous différentes conditions de financement ou de politique.
Cela change complètement la façon dont l’évaluation des dommages est réalisée :
- La télédétection fournit un aperçu immédiat de l’ensemble de la situation.
- Le modèle d’IA peut analyser ces données en moins d’une heure, comparé aux mois nécessaires aux humains sur le terrain pour réaliser l’évaluation des dommages.
- La modélisation de la restauration transforme l’évaluation de l’IA en indicateurs exploitables indiquant quelles zones ont le plus besoin d’aide et quelles ressources sont requises.
« En fin de compte, cette recherche comble le fossé entre l’évaluation rapide des catastrophes et la planification stratégique de la récupération à long terme, offrant un cadre informé par le risque mais pratique pour renforcer la résilience post‑tornade. »
Validation du modèle d’IA avec des données de tornades réelles
Pour valider cette approche, les chercheurs ont examiné la catastrophe de la tornade de Joplin en 2011.
Cet événement a été largement documenté, créant un riche ensemble de données pouvant servir de test rétroactif pour le système d’IA. Les évaluations calculées ont ensuite pu être comparées aux évaluations de dommages réelles réalisées sur le terrain à l’époque.
Et les résultats générés par l’IA se sont avérés remarquablement proches des données historiques. Ils ont également fourni un enregistrement de la façon dont la catastrophe s’est déroulée.
« L’une des découvertes les plus intéressantes était que, en plus de détecter les dommages avec une grande précision, nous pouvions également estimer la trajectoire de la tornade.
En analysant les données de dommages, nous avons pu reconstruire le parcours de la tornade, qui correspondait de près aux archives historiques, offrant des informations précieuses sur l’événement lui‑même. »
Évolution du modèle d’IA vers d’autres catastrophes naturelles
Bien qu’il ait été développé et testé pour les dommages causés par les tornades, cette méthode pourrait être déployée pour d’autres situations, comme les ouragans et les séismes, tant que les satellites peuvent détecter les schémas de dommages.
Cette limitation pourrait être moins problématique que prévu, même si les dommages causés par les séismes sont, par exemple, moins visibles depuis le ciel que les toits arrachés. En effet, le modèle apprend à partir d’exemples réels, et nous constatons souvent que les IA peuvent détecter des schémas invisibles à l’œil humain.
« La clé de la généricité du modèle réside dans son entraînement à utiliser des images passées provenant de risques spécifiques, ce qui lui permet d’apprendre les schémas de dommages uniques associés à chaque événement. »
Au minimum, il semble que le modèle s’appliquera bien à une autre catastrophe courante aux États‑Unis : les ouragans.
« Nous avons déjà testé le modèle sur des données d’ouragan, et les résultats ont montré un potentiel prometteur pour l’adaptation à d’autres risques. »
Cela correspond à une autre application de l’IA dans ce domaine, avec une meilleure prévision des ouragans qui devient désormais une réalité, notamment grâce à des IA comme Graphcast, Spire, et Climavision.
Une autre extension de cette recherche pourrait aller au-delà de l’évaluation des dommages. Elle pourrait être utilisée pour créer des mises à jour en temps réel sur l’avancement de la récupération et suivre la récupération au fil du temps.
Ce type de retour automatisé, piloté par l’IA, pourrait alors informer les politiques et optimiser les efforts de reconstruction.
Investir dans les données satellites et l’IA
Spire
SPIR Graphique du prix
Spire est une entreprise de données spatiales qui exploite la plus grande constellation multi‑usage de satellites au monde détenue par le secteur privé.
L’entreprise se concentre fortement sur les données météorologiques, et ses satellites peuvent capturer des images dans plusieurs spectres, offrant une image plus riche en données d’un lieu donné.
Par exemple, ses images satellites de mesure d’humidité sont précises jusqu’à 100 m et peuvent être utilisées par les agriculteurs, mais aussi par les compagnies d’assurance, les négociants en matières premières, les agences de surveillance environnementale, les entreprises de construction et les ingénieurs civils pour mieux comprendre les conditions du sol et les rendements agricoles à venir.
Source: Spire
L’entreprise propose de construire pour ses clients leur propre constellation satellite propriétaire, avec la plateforme satellite LEMUR.
Source: Spire
L’entreprise est également active dans le domaine de la sécurité, notamment avec son offre aviation pour le système Automatic Dependent Surveillance‑Broadcast (ADS‑B), qui utilise le GPS pour déterminer la vitesse, la localisation et d’autres informations sur les aéronefs.
Par ailleurs, Spire a été sélectionnée pour un contrat de 237 M$ avec l’US Space Force afin de « concevoir, construire, intégrer et exploiter de petits bus satellites pour les expériences spatiales de prochaine génération ».
Elle était également active dans l’industrie maritime, ses satellites étant utilisés pour le suivi des navires, mais cette branche de l’entreprise a été acquise par Kpler en avril 2025.
Concernant l’IA, Spire collabore avec NVIDIA (NVDA ) pour intégrer les données Radio Occultation (RO) et l’assimilation de données propriétaire de Spire aux API Cloud NVIDIA‘s Earth–2 Cloud APIs.
« Aligner les données propriétaires de Spire et sa couverture météorologique mondiale inégalée avec la technologie de pointe et l’expertise de NVIDIA nous permet d’améliorer considérablement la précision des prévisions météorologiques. Cette collaboration aidera nos clients non seulement à être informés, mais aussi à être habilités à agir de manière proactive face à l’évolution du climat. »
Michael Eilts – directeur général du climat et de la météo chez Spire
Dans l’ensemble, Spire est une entreprise de données qui embrasse la convergence de l’imagerie satellite et de l’IA pour de meilleures prévisions météorologiques, la prévision agricole, le suivi des avions et même des usages de défense.
Elle atteint désormais une échelle qui pourrait la rendre rentable, un point de bascule potentiel important pour les investisseurs, et il se peut qu’elle n’ait pas besoin de lever trop de fonds supplémentaires après avoir réalisé un produit brut de 40 M$ en vendant de nouvelles actions au premier trimestre 2025.
Source: Spire
Dernières Spire (SPIR) Nouvelles boursières et développements
Étude référencée :
1. Abdullah M. Braik et Maria Koliou. Évaluation automatisée des dommages aux bâtiments post‑tornade et prédiction de la récupération en intégrant la télédétection, l’apprentissage profond et les modèles de restauration. Sustainable Cities and Society. Volume 123, 1 avril 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286
