Détection Des Inondations Au Nord Du Kazakhstan

Vue D’ensemble : Inondations Printanières Au Kazakhstan

Le début du printemps au Kazakhstan entraîne la fonte rapide des neiges chaque année. En raison de l’augmentation soudaine de la température, l’eau de ruissellement dévale les montagnes, en inondant les rues des localités et des terres agricoles. Le 13 mars 2023, la crue printanière au Kazakhstan a atteint un tel niveau extrême que le gouvernement local a déclaré un régime d’urgence en raison de la catastrophe naturelle.

Le Ministère des situations d’urgence du Kazakhstan a déclaré que des mesures préventives contre les inondations ont été prises au Kazakhstan d’est avant le début de la saison des inondations. Elles comprenaient la construction et le renforcement des barrages et des barrières de protection, l’installation des ponceaux, le nettoyage du réseau de canaux, le déneigement, le forage de trous et la coupe de glace dans les zones des embouteillages. Une telle approche globale a permis aux autorités d’atténuer la menace d’inondation.

Cependant, l’autre problème important persistait même après la mise en œuvre des mesures préventives. Les débordements et la destruction des routes ont entraîné des interruptions de la circulation et l’isolement des certaines localités. La menace est aggravée par l’état technique de 1806 ouvrages hydrauliques qui est très douteux, dont 471 qui nécessitent la grosse réparation. Dans le même temps, l’évaluation précise de l’état technique de ces structures est difficile en raison du manque de soutien de l’État et de la propriété privée des terres.

La situation en 2023 a également été compliquée par les chutes de neige dans la région du Turkestan (à la date du 12 janvier 2023, la neige a couvert 94 % du territoire de cette région). Les réserves de neige aux montagnes étaient supérieures de 47-49% à la valeur nominale. On prévoyait que la fonte printanière de ce manteau de neige devait entraîner l’augmentation incontrôlée du déversement des eaux de fonte le long de la rivière Arys dans la rivière Syr Darya et le risque d’inondation des agglomérations dans le cours inférieur de la rivière Syr Darya au Kazakhstan ^{In Kazakhstan, spring floods can affect 255 settlements. (2023, January 24). Karavan.}.

Les agriculteurs locaux reconnaissent qu’il faut beaucoup de temps pour éliminer les conséquences des inondations à chaque saison. Au-delà des dommages des bâtiments et des routes, de vastes zones de terres agricoles souffrent de l’érosion des sols après les crues. L’inondation emporte la couche de sol la plus fertile et son rétablissement peut prendre des décennies.

L’évaluation de l’impact de l’érosion a révélé qu’en supposant que le rendement total sur le plateau (zone plate) du Kazakhstan est fixé à 100 %, en cas d’inondations printanières incontrôlées, les versants nord produisent 80 % du rendement total, tandis que les versants sud produisent 40-60% du rendement total ^{Buyanov S. (2015, May 19). Kazakhstan: The sunken earth. Kazakh-Seed.}.

Problème : Impact Des Inondations Sur Le Nord Du Kazakhstan

Pour faire l’apprentissage du modèle de détection d’inondation, nous avons choisi la zone concernée (AOI) située dans l’une des régions du nord du Kazakhstan. Cette zone s’étendait sur la rivière Zhabay (l’un des affluents de la rivière Ishim), le long du poste hydroélectrique à l’embouchure de la rivière et de la ville d’Atbasar dont la population est égale à 29 673 habitants.

Cette région est caractérisée par des crues printanières intenses observées au cours des 10 dernières années et compliquant considérablement le développement socio-économique des localités situées dans ce bassin d’eau.

Les causes principales de l’inondation sont :

• Fortes précipitations (couverture de neige), fonte de la neige
• Formation des congestions sur les cours d’eau contribuant à la forte montée des eaux
• Fonte rapide des glaces de rivière sur le territoire plat de la zone tempérée causée par l’augmentation soudaine de la température au printemps.

Les inondations les plus intenses ont été observées en :

1. En 2014, plus de 550 maisons ont été inondées sur 12 rues de la ville. Des centaines de personnes ont été évacuées ;
2. En 2016, a été observée la menace d’inondation des maisons voisines, 70 personnes ont été évacuées. Grâce à la construction du remblai de terre à l’hauteur de 7 m, le débordement a été éliminé ;
3. En 2017, a eu lieu la forte montée des eaux, le niveau d’eau a dépassé presque à deux fois le niveau critique, et le barrage de protection a été emporté à quatre endroits. Plus de 600 maisons ont été inondées et près de 1 500 personnes ont été évacuées. Le niveau d’eau était de 80 centimètres plus élevé que le niveau d’eau pendant l’inondation en 2014 ;
4. En 2019 à Atbasar, deux écoles et environ 80 bâtiments résidentiels étaient menacés d’inondation en raison de l’augmentation de 70 centimètres du niveau d’eau dans la rivière Zhabai près de la ville.

Les experts d’EOSDA ont fait l’apprentissage du modèle de réseau neuronal personnalisé sur la base des données de télédétection et des données terrestres dans cette région. En incluant au modèle les variables supplémentaires telles que la température et l’épaisseur de la neige, ils ont pu obtenir les données nécessaires à la prévision des crues printanières avec précision de 90 %.

Solution : Modèle De Régression Multiple

Pour prédire la surface de la zone d’inondation, nos scientifiques ont utilisé le modèle de régression multiple linéaire. Ils ont utilisé deux types de données d’entrée :

1. Variables indépendantes telles que les données météorologiques
2. Variable dépendante, c’est-à-dire la crue elle-même.

Supposons que vous êtes une coopérative agricole essayant de prédire la crue printanière pour la prochaine saison. Vous savez que plusieurs facteurs, des conditions météorologiques à la profondeur de la couverture de neige et à la position géographique, peuvent avoir l’influence sur le moment de l’inondation, ce qui peut éventuellement influencer le rendement de vos champs. Peut-être, il y a aussi des facteurs moins évidents, tels que les manteaux des neiges dans les régions voisines, l’état technique des barrages à proximité et les congestions des cours d’eau qui ont l’influence sur les inondations.

Pour faire les prévisions précises, les solutions génériques telles que la bibliothèque Python ne donneront pas de résultat fiable. La solution consiste à choisir le modèle d’apprentissage machine basé sur l’algorithme mathématique spécifique et spécifiquement appris compte tenu des conditions uniques de votre région. Pour détecter les crues printanières au nord du Kazakhstan, les scientifiques d’EOSDA ont décidé d’utiliser l’analyse de régression multiple linéaire basée sur des prédicteurs météorologiques.

L’analyse de régression multiple linéaire est une façon de prédire mathématiquement quand, où et comment toutes les variables importantes entraînent la crue printanière. L’exécution d’une telle analyse basée sur les prédicteurs précis peut aider à éliminer les conjectures lors de la réponse à des questions importantes. Par exemple, nous pouvons estimer les facteurs importants et les facteurs que nous pouvons ignorer. Puis, l’analyse de régression multiple montrera comment ces facteurs interagissent les uns avec les autres dans l’espace et dans le temps. Et, peut-être, surtout, nous pourrons déterminer les zones les plus sensibles à l’inondation une fois que tous les effets de ces facteurs seront réunis.

Aleksey Kryvobok

Directeur scientifique d’EOS Data Analytics

Sélection Des Prédicteurs Pour Validation Du Modèle De Prévision

Tout d’abord, nos scientifiques devaient déterminer quels facteurs contribuaient le plus facilement à l’inondation printanière dans la zone concernée et quels facteurs ils pouvaient ignorer.

La fonte intense des neiges dans la zone concernée se produit généralement de la fin mars au début de l’avril. Nous devions donc évaluer les facteurs affectant les réserves de neige et l’intensité de leur fonte, ce qui provoque la crue printanière, à savoir :

• L’épaisseur maximale du manteau de neige pour la période froide de l’année du décembre au mars ;
• La température minimale pour la période froide de l’année, qui affecte la profondeur de la gelée du sol. Lors de la fonte rapide, le sol gelé ne permet pas à l’humidité d’être absorbée par le sol, ce qui aggrave l’inondation ;
• L’épaisseur de la couverture de neige au début de la période de la température positive qui indique la quantité de neige restante au moment de la fonte intensive ;
• La somme des températures depuis la date du début de la période de la température positive jusqu’à la date à laquelle la couverture de neige disparaît. Plus la somme des températures est faible, plus le processus de fonte est intense, c’est-à-dire qu’il faut moins de temps pour que la neige fonde complètement et son volume total tombe dans la rivière. Les autres processus, tels que l’évaporation et l’absorption de l’eau dans le sol, dans ce cas, n’ont pas l’influence essentielle puisque ils n’ont pas assez de temps pour réduire le volume d’eau entrant dans la rivière ;
• La température positive maximale qui est observée avant le début de la période de température positive. Une telle augmentation de température contribue à l’augmentation de la teneur en humidité du manteau neigeux, ce qui entraîne la fonte plus intense lorsque la période de température positive est arrivée.

Résultat : Prévision Précise Des Crues, Possibilités Supplémentaires

Les résultats de la détection de la zone d’inondation selon le modèle en comparaison avec ceux réels, c’est-à-dire déterminés à partir des données satellitaires au moment de la crue maximale de la rivière en 2016 à 2019 sont présentés au tableau ci-dessous. L’analyse des résultats a montré que la différence moyenne entre les valeurs réelles et calculées est de 79,5 km², l’erreur relative présentée dans la colonne [abs(Sf – Sm)/Sf] est de 0,10, ce qui correspond à 10 % d’erreur statistique, c’est-à-dire la précision de prévisions est de 90 %. Cette comparaison montre que les valeurs prédites correspondent aux valeurs réelles lors de l’inondation, ce qui prouve la viabilité du modèle.

Facteur Clé : Données Météorologiques

Le résultat de l’apprentissage machine dépend fortement de la précision de prédicteurs indépendants tels que la température, les précipitations, l’humidité de l’air etc. En effet, la fonte rapide de la neige et de la glace, source de tout le problème, est provoquée par l’augmentation intense de la température. Les conséquences de l’inondation, à leur tour, dépendent de la quantité de neige et de glace qui fond et de la quantité d’eau qui arrive réellement dans la zone concernée.

Ce modèle de détection des inondations est une vérification du concept (PoC) basé sur les données météorologiques historiques, ce qui est légèrement plus précis que les prévisions météorologiques. En cas d’apprentissage machine du modèle pour la prévision réelle des inondations, nous devons choisir les valeurs de la prévision météorologique de 1 à 2 semaines avant l’heure actuelle, en fonction de la mission à accomplir. Pour faire cela, nous fournirons les données météorologiques à partir des modèles pronostiques régionaux et mondiaux. Par exemple, ICON montre l’un des meilleurs niveaux de précision de la prévision de température – d’environ 1°С.

Si les valeurs du prédicteur présentent des écarts, les prédictions résultantes semblent être trop éloignées de la vérité. Par conséquent, nos experts ont réalisé l’apprentissage machine du modèle basé sur les prédicteurs les plus efficaces et les plus précis.

Autres Fonctionnalités Du Modèle

Notre zone concernée au nord du Kazakhstan comprenait de nombreux petits objets d’infrastructure qui étaient en danger de destruction à cause de l’inondation printanière. Il est important de mentionner que les capacités potentielles de nos modèles après leur apprentissage machine peuvent être étendues en fonction de l’objectif.

Par exemple, vous pouvez souhaiter atténuer les risques de dommages causés par les inondations pour la petite ville, mais vous pouvez également commander le modèle adapté à la résolution des problèmes du secteur agro-alimentaire, telles que la prévision de l’érosion des sols et du rendement de diverses zones des champs.

Voici quelques options possibles d’utilisation de nos modèles qui ont passé l’apprentissage machine :

• Surveillance de l’état des objets de construction (par exemple, fondation, murs, toit). Le modèle peut détecter des milliers de ces objets.
• Détermination des zones les plus appropriées pour la construction dans les zones touchées par les crues printanières.
• Prévision des rangées temporelles sur la base des indices de végétation pour les entreprises agricoles.

N’hésitez pas à nous contacter pour obtenir la consultation personnelle, nos experts pourront vous informer de ce qu’ils peuvent ajuster nos algorithmes en fonction de vos besoins spécifiques.