Le changement climatique rend la météo de plus en plus imprévisible, et les catastrophes rares le sont tellement que les statistiques accumulées ne suffisent souvent pas à évaluer les risques. Des ingénieurs du Massachusetts Institute of Technology (MIT) ont proposé une approche qui renverse la logique habituelle : leur algorithme n'apprend pas des catastrophes passées, mais génère des scénarios d'événements qui n'ont tout simplement jamais eu lieu dans l'histoire de la région. Les développeurs — l'étudiant en doctorat Kai Chang et le professeur Themistoklis Sapsis — ont présenté une méthode qui construit des cartes de catastrophes potentielles, en se basant sur la probabilité statistique plutôt que sur la répétition de ce qui s'est déjà produit.
Pourquoi les modèles de risque traditionnels sont aveugles aux nouvelles menaces
Les compagnies d'assurance, les urbanistes et les opérateurs de réseaux électriques évaluent généralement les risques par le biais de simulations qui s'appuient sur des événements extrêmes déjà survenus. Ces modèles intègrent les données des ouragans, inondations ou sécheresses passés, puis projettent ces schémas dans le futur. La logique est simple : si une catastrophe se reproduit avec une certaine périodicité, on peut la prédire par analogie.
Mais cette approche présente un défaut fondamental, que les chercheurs du MIT expliquent à travers l'exemple de l'ouragan Katrina. Des événements d'une telle ampleur se produisent environ une fois tous les 30 à 40 ans, alors que les assureurs et les ingénieurs ont besoin d'une évaluation pour des phénomènes bien plus rares — ceux qui surviennent une fois par siècle ou plus. Les données sur ces catastrophes sont presque inexistantes, ce qui fait que les algorithmes classiques soit sous-estiment le risque, soit se contentent de prédire ce qui s'est déjà produit. La nouvelle avancée tente de combler cette lacune en répondant à la question de savoir à quoi ressemble un événement dont la probabilité est d'un pour cent par an, même si rien de tel n'a jamais été enregistré.
Comment l'algorithme apprend « l'impossible »
Plutôt que de chercher des traces de catastrophes dans les données historiques, la méthode Extreme Event Aware (η-learning) travaille avec deux types de données d'entrée. Le premier est la statistique ponctuelle : elle montre à quelle fréquence un certain niveau d'intensité apparaît dans l'ensemble de données, par exemple la quantité maximale de précipitations sur une carte en une seule journée. Le second type est constitué de cartes spatiales qui décrivent comment la force de l'impact est répartie sur le territoire de la région.
L'idée clé est d'apprendre la relation statistique entre ces deux représentations. L'algorithme observe comment les schémas spatiaux à basse résolution correspondent aux cartes détaillées à haute résolution, et utilise la statistique ponctuelle de toute la période comme contrainte. Grâce à cela, il est capable de créer des scénarios spatiaux réalistes pour des événements qui dépassent de loin tous les exemples de l'ensemble d'apprentissage. En substance, le réseau ne prédit pas « ce qui va se passer », mais construit « ce qui pourrait se passer » — mais avec une probabilité mathématiquement fondée.
Test sur les précipitations américaines
Pour tester la méthode, ils ont choisi les données de précipitations sur les États-Unis continentaux. Pour l'expérience, ils ont pris 25 ans d'observations horaires, les ont regroupées en cartes journalières et ont calculé la statistique ponctuelle — à quelle fréquence la quantité maximale de précipitations sur la carte atteignait un niveau donné sur toute cette période. Le modèle spatial a été entraîné sur un ensemble de données bien plus modeste : seulement six mois de paires de cartes à basse et haute résolution. Ils ont d'ailleurs choisi les six premiers mois de la période de 25 ans — un segment où les fortes pluies étaient rares, voire inexistantes.
Ensuite, l'algorithme a établi un lien entre la transformation des schémas à basse résolution en détails à haute résolution, et leur a appliqué la statistique ponctuelle complète du quart de siècle pour limiter l'ampleur de la génération. Le résultat s'est avéré révélateur : les précipitations maximales enregistrées à New York atteignent 200 millimètres, tandis que la méthode est capable de générer des cartes plausibles d'une tempête avec 300 millimètres — un niveau sans équivalent dans les observations. L'utilisateur peut indiquer une ville à l'algorithme et demander une « tempête centennale », et obtenir en sortie une série de cartes avec différentes tailles, surfaces de couverture et intensités de précipitations. De plus, la création de tels scénarios ne nécessite pas de grandes ressources de calcul : le réseau peut produire des ensembles entiers de variantes en une seule exécution.
À qui profiteront les catastrophes générées
La possibilité de voir à l'avance une catastrophe qui ne s'est pas encore produite ouvre des perspectives pratiques pour toute une série de décisions infrastructurelles. L'administration municipale peut vérifier si une digue résistera à une onde de tempête dépassant tout ce qui a été enregistré auparavant. Les compagnies d'énergie disposeront de scénarios de chaleur plus longue et plus intense pour évaluer si le réseau électrique supportera la charge de pointe. Et les services d'incendie pourront répéter l'extinction d'un feu de forêt dont la superficie est plus grande que tous ceux qui se sont jamais produits dans leur région.
Limites et perspectives d'avenir
Pour l'instant, la méthode n'a été démontrée que sur les précipitations, et son application à d'autres types de catastrophes nécessitera de préparer les données correspondantes : à la fois la statistique ponctuelle et les cartes spatiales pour le danger spécifique. À terme, les auteurs envisagent une extension aux fortes inondations et aux feux de forêt qui n'ont pas d'équivalent dans les archives historiques.
Themistoklis Sapsis souligne le contexte plus large : les infrastructures mondiales modernes sont optimisées pour l'efficacité et laissent très peu de marge de sécurité. Un seul événement extrême peut se propager en quelques semaines à travers les chaînes d'approvisionnement, les marchés de l'énergie et les systèmes alimentaires. Par conséquent, la capacité d'attribuer une probabilité à un événement qui ne s'est jamais produit n'est pas seulement une question de curiosité scientifique, mais aussi de résilience nationale et économique. Le nouvel algorithme du MIT franchit ce pas : il ne prédit pas l'avenir à partir du passé, mais aide à se préparer à ce qui est statistiquement possible, même si cela ne s'est jamais produit.
