Table of Contents

Comprendre les catastrophes liées aux pluies et la nécessité d'une surveillance avancée

Les inondations ont touché plus de 57 millions de personnes dans le monde, causant des pertes économiques supérieures à 30 milliards de dollars (EM-DAT, CRED). À mesure que les changements climatiques intensifient le cycle hydrologique, les précipitations extrêmes deviennent plus fréquentes et plus graves. Les pluviomètres et les stations météorologiques traditionnelles au sol fournissent des mesures ponctuelles critiques, mais elles ne permettent pas de saisir la variabilité spatiale des précipitations dans de grandes régions ou dans des terrains éloignés inaccessibles.

La télédétection se réfère à l'acquisition d'informations sur un objet ou un phénomène sans contact physique.Dans le contexte de la surveillance des précipitations, des capteurs à bord de satellites, d'aéronefs et de véhicules aériens sans pilote (UAV) recueillent des données sur les propriétés des nuages, l'intensité des précipitations, l'humidité du sol, la température de surface et la topographie.

Principes fondamentaux des données de télédétection pour les applications en cas de catastrophe pluviale

Pour surveiller et prévoir efficacement les dangers liés aux précipitations, il est essentiel de comprendre les différents types de données de télédétection disponibles et la façon dont chacun contribue à une image globale de l'environnement dangereux.

Imagerie par satellite : Observation atmosphérique et terrestre à grande échelle

Les capteurs visibles et infrarouges à bord des satellites tels que la série NOAA GOES-R, la troisième génération de Météosat européen et le Japon’s Himawari-8 capturent la température et l'albédo des nuages, qui sont utilisés pour estimer l'intensité des précipitations à l'aide d'algorithmes tels que la technique de la stratiforme convetive. Les capteurs à micro-ondes passifs, tels que l'imageur à micro-ondes de mesure des précipitations mondiales (GPM) (GMI), peuvent pénétrer les sommets des nuages pour mesurer directement la taille et la distribution des gouttes de pluie, ce qui donne des accumulations de précipitations plus précises sur la terre et l'océan. La mission NASA GPM[, constellation satellite centrale, est opérationnelle depuis 2014 et fournit des estimations de précipitations quasi mondiales toutes les trois heures à une résolution de 10 km.

En plus des estimations des précipitations, les images satellitaires surveillent les changements de surface qui influent sur les risques de catastrophe.Les capteurs optiques comme ceux de Landsat et Sentinel-2 détectent la santé de la végétation, l'étendue des eaux de surface et l'exposition au sol.Après un événement d'inondation, les capteurs de radar à ouverture synthétique (SAR) (p. ex. Sentinel-1, RADARSAT-2) peuvent pénétrer dans le couvert nuageux et générer des cartes d'inondation à haute résolution, même en période de tempête.

Radar météorologique: Diffusion de pluie à haute résolution

Les réseaux radars météorologiques au sol, comme le système américain NEXRAD et le radar européen EUMETNET, fournissent des estimations de précipitations à haute résolution temporelle à des échelles de 1 et de 2 km avec des mises à jour toutes les 5 et de 10 minutes. Le radar mesure la réflectivité des hydrométéorologiques, qui peuvent être converties en précipitations en utilisant des relations Z-R bien calibrées. Le radar Doppler détecte également les courants de vent, permettant l'identification des mésocyclones et des structures de tempêtes graves qui peuvent produire des pluies éclairantes.

Les données radar sont particulièrement utiles pour la prévision à court terme (diffusion de données) de l'intensité et du mouvement des précipitations. Les algorithmes comme l'algorithme McGill pour la prévision des précipitations par extrapolation (MAPLE) utilisent des vecteurs de mouvement dérivés du radar pour prédire les champs de précipitations jusqu'à trois heures à l'avance. Ces émissions de données à jour alimentent les systèmes d'alerte précoce des crues dans les petits bassins versants où les temps d'intervention sont courts.

Données liDAR et topographiques : évaluation de la sensibilité des glissements de terrain

Les modèles numériques à haute résolution (DEM) dérivés de LiDAR révèlent des caractéristiques topographiques subtiles telles que des écarpes, des pentes convexes et des voies de drainage qui indiquent un risque de glissement de terrain. Lorsqu'ils sont combinés à des seuils de durée de l'intensité des précipitations, les modèles de stabilité des pentes basés sur LiDAR peuvent identifier des pentes susceptibles de échouer lors de précipitations importantes. La de la US Geological Survey utilise les DEM LiDAR dans ses évaluations de sensibilité aux glissements de terrain pour déterminer les risques de débit de débris après un feu sauvage.

De plus, des relevés LiDAR répétés peuvent détecter des déformations de surface au fil du temps, comme le fluage sur des pentes instables, ce qui permet d'alerter rapidement une défaillance imminente.

Sources de données supplémentaires : Intégration des jauges de précipitation, de l'humidité du sol et du GNSS

Les données sur l'humidité du sol provenant de capteurs satellites tels que SMAP (Soil Moisture Active Passive) et SMOS (Soil Moisture and Ocean Salinity) indiquent la quantité d'eau de pluie que le sol peut absorber avant le ruissellement. En intégrant ces flux de données avec des pluviomètres in situ, les hydrologues peuvent calibrer et valider les produits de télédétection, améliorant ainsi leur précision dans divers climats.

Surveillance des précipitations et prévision des catastrophes: méthodes et flux de travail

Les données brutes provenant des plateformes de télédétection doivent être traitées de façon sophistiquée pour devenir des informations pouvant être utilisées pour la prévision des catastrophes, ce qui implique l'assimilation des données dans des modèles numériques météorologiques ou hydrologiques, des algorithmes d'apprentissage automatique qui tirent des enseignements des schémas historiques et des analyses géospatiales qui cartographient les zones de danger.

Asimilation des données pour la prévision numérique de la météo

L'assimilation des données combine des observations de télédétection en temps réel avec des prévisions à courte portée pour produire une estimation optimale de l'état de l'atmosphère.Des techniques telles que le filtrage à trois dimensions (3D-Var) et Kalman intègrent des rayons satellites, des réflectivités radar et une vapeur d'eau précipitable GPS dans des modèles météorologiques opérationnels comme le Système mondial de prévisions (GFS) ou le Système intégré de prévision des prévisions météorologiques à moyenne distance (ECMWF) du Centre européen de prévision des précipitations (ECMWF), ce qui améliore considérablement la compétence des prévisions de précipitations, en particulier pour les cyclones tropicaux et les systèmes convectifs à mésoéchelle qui entraînent des précipitations extrêmes.

Apprentissage automatique pour l'estimation des précipitations et la prévision des glissements de terrain

Les réseaux neuronaux convolutionnels (RNM) appliqués à l'imagerie satellitaire peuvent reconnaître les modèles associés aux tempêtes convectifistes et produire des estimations de précipitations à haute résolution. Les réseaux neuronaux récurrents (RNM) et les modèles de mémoire à court terme (LSTM) apprennent les dépendances temporelles des séries chronologiques radar aux heures d'accumulation de précipitations prévues.

Un excellent exemple est le projet NASA Landslide Hazard Assessment, qui utilise un cadre d'apprentissage automatique appelé LHASA (Landslide Hazard Assessment for Situational Awareness).LHASA combine les estimations des précipitations de GPM avec une carte de sensibilité globale (tirée de la pente, de la géologie et de la couverture terrestre) pour émettre des alertes en temps réel pour les glissements de terrain déclenchés par les précipitations.

Systèmes d'alerte précoce : des données à l'action

L'Organisation météorologique mondiale (OMM) préconise des alertes précoces fondées sur les impacts qui vont au-delà des prévisions simples pour décrire les conséquences attendues d'un danger. Par exemple, un avertissement d'inondation pourrait indiquer : “Des précipitations abondantes de 100 mm en 6 heures sont prévues dans le bassin de la rivière Bleue, ce qui entraînera une inondation de routes pouvant atteindre 1 mètre de profondeur dans les zones de basse altitude. Les résidents devraient évacuer leurs eaux de 2 heures.” Les données de télédétection se nourrissent directement de modèles qui génèrent ces énoncés d'impact, comme l'indice de prévision extrême de la MCGW’ ou le programme de cartographie des inondations du Service météorologique national des États-Unis.

Dans les pays en développement, où les réseaux d'observation au sol sont rares, l'alerte rapide par satellite comble des lacunes critiques. Le Réseau des systèmes d'alerte rapide à la famine (FEWS NET) utilise des estimations des précipitations par satellite pour surveiller les sécheresses et les inondations en Afrique et en Amérique centrale, en fournissant des délais d'exécution qui permettent une intervention humanitaire.

Difficultés rencontrées dans l'utilisation de la télédétection pour la surveillance des catastrophes pluviales

Malgré les progrès rapides, plusieurs défis persistants limitent l'efficacité de la télédétection pour la prévision des catastrophes pluvieuses.

Résolution spatiale et temporelle par rapport à l'exactitude

Les produits de précipitation par satellite tels que GPM IMERG ont une résolution de 10 km et sont mis à jour toutes les 30 minutes, ce qui est adéquat pour les grands bassins mais insuffisant pour les petits bassins versants à fort taux d'inondation ou les zones urbaines où la variabilité spatiale est élevée. Le radar fournit une résolution plus fine (1–2 km) mais souffre d'un blocage des faisceaux dans les terrains montagneux et d'une atténuation des signaux sous forte pluie.

Couverture nuageuse et interférence atmosphérique

Les capteurs optiques et infrarouges passifs ne peuvent pas voir à travers des nuages épais, qui sont précisément les conditions qui produisent des précipitations extrêmes. Des capteurs actifs comme le SAR peuvent pénétrer dans les nuages, mais l'interprétation des données SAR est complexe et nécessite souvent une expertise spécialisée. Les capteurs micro-ondes peuvent voir à travers la plupart des nuages mais ont une résolution plus grossière et sont moins précis sur la neige, la glace et la topographie complexe.

Exigences en matière de calcul et d'infrastructure

Le traitement de volumes importants de données satellitaires et radars nécessite des ressources informatiques considérables, notamment des grappes informatiques performantes et le stockage des nuages. De nombreux pays en développement ne disposent pas de l'infrastructure informatique nécessaire, du personnel formé et d'une connectivité Internet fiable pour rendre opérationnels les produits de télédétection de pointe.

Incertitude et validation

Toutes les estimations de télédétection présentent des incertitudes inhérentes : les algorithmes de récupération des précipitations par satellite fonctionnent différemment dans différents climats (par exemple, tropical ou aride), et les conversions de la vitesse de pluie radar dépendent de la distribution de la taille des chutes, qui varie selon le type de tempête.

Orientations futures : Innovations qui guident la surveillance de la prochaine génération

Le domaine de la télédétection pour la surveillance des précipitations en cas de catastrophe évolue rapidement, et plusieurs évolutions prometteuses se profilent à l'horizon.

Constellations de petits satellites et échantillonnage temporel dense

Des compagnies comme Planet, Spire et Capella Space exploitent des constellations de dizaines à des centaines de petits satellites (CubeSats) qui fournissent des révisions quotidiennes ou même horaires à l'échelle des compteurs. Ces constellations peuvent capter l'évolution des systèmes de tempête et des zones inondables avec une densité temporelle sans précédent. La mission SAR NASA-ISRO (NISAR) va combiner la bande L et la bande S SAR pour surveiller les changements de surface à l'échelle mondiale tous les 12 jours, y compris l'humidité du sol et l'inondation, avec une grande sensibilité à l'humidité.

Intelligence artificielle et analyse en temps réel

Les modèles d'apprentissage approfondi sont de plus en plus efficaces et peuvent maintenant fonctionner sur des appareils de bord, permettant le traitement en temps réel des images satellitaires directement à bord d'un vaisseau spatial ou dans des stations au sol. Cela réduit la latence et permet de lancer des alertes précoces dans les minutes suivant l'acquisition des données.

Systèmes intégrés d'alerte précoce multi-risques

Les systèmes futurs intégreront les données sur les précipitations à d'autres informations sur les dangers (p. ex., ondes de tempête, vents, feux de forêt) afin de fournir des évaluations complètes des risques. Le cadre du Système mondial d'alerte multirisques (SMAS) de l'OMM vise à combiner les données de toutes les sources crédibles en une seule interface d'alerte.

Conclusion

Des images satellitaires qui suivent la naissance des cyclones tropicaux au radar qui avertit des crues éclairs imminentes, et de LiDAR qui cartographie les pentes instables aux algorithmes d'apprentissage automatique qui fusionnent des flux de données disparates en informations et en mdash exploitables;la technologie continue de repousser les limites de ce qui est possible dans la réduction des risques de catastrophe.Bien que les défis de résolution, de couverture nuageuse et d'accès persistent, les progrès en cours dans les petites constellations de satellites, l'intelligence artificielle et la collaboration internationale promettent de rendre ces capacités de sauvetage plus accessibles et plus efficaces dans le monde entier.