Prévoir l’imprévisible : méthodes novatrices pour la gestion des risques liés aux inondations

Les inondations sont parfois définies bien simplement au premier abord : une quantité excessive d’eau. Mais derrière cette définition de base, les inondations s’avèrent incroyablement complexes et ont des répercussions directes et indirectes aussi bien sur les environnements naturels et bâtis que sur les personnes et les collectivités. Il suffit de se remémorer ces images d’inondations survenues chez nous, notamment la désastreuse inondation d’août 2018, qui a transformé les rues de Toronto en véritables rivières, ou encore celles de Montréal et de Laval, en 2017.

En raison de la croissance de la population, de l’urbanisation accélérée et des changements dans les modèles de précipitations dus au changement climatique, l’atténuation des risques liés aux inondations est plus complexe que jamais. Ces changements climatiques représentent un défi de taille, que l’horizon de planification soit à court ou à long terme, et nous devons perfectionner les méthodes classiques employées actuellement pour la gestion des risques liés aux inondations.

Les risques liés aux inondations sont généralement évalués selon les deux facteurs suivants : 1) probabilité qu’une inondation survienne, et 2) conséquences associées à cet événement, qu’elles soient économiques ou environnementales. En bref, lorsque l’on évalue les risques liés aux inondations, nous nous posons la question : « Quelle est la probabilité qu’une inondation survienne? » et « Quelles sont les conséquences possibles sur les gens et le milieu environnant? » Si la deuxième question se rapporte davantage à la planification économique, les ingénieurs en gestion des risques liés aux inondations consacrent plutôt leurs efforts à estimer la probabilité qu’une inondation survienne. Ultimement, la qualité des prévisions réside dans la capacité à établir de façon précise les types de précipitations, l’écoulement des eaux de ruissellement et le déplacement des eaux dans le réseau d’évacuation. L’un des principaux objectifs du domaine de la gestion des risques liés aux inondations est d’affiner nos méthodologies afin de quantifier les éléments mentionnés plus haut avec la plus grande précision et efficacité possible.

The design storm approach has been widely used for drainage system analysis since its development in the early twentieth century. Design storms (specifically intensity-duration-frequency curves) use mathematical functions to relate rainfall intensity with its duration and frequency of occurrence. They are popular in practice because they can be easily constructed, they provide conservative peak flow estimates, and can be standardized for regulatory purposes. However, there are significant drawbacks to this approach that limit their applicability in assessing flood risk.

With the advancement of computing power and modelling capabilities, there has been a shift to continuous simulation approaches which employ long-term rainfall records as input to generate long-term statistics of system response. Such approaches address some of the glaring limitations of the design storm approach. Namely, continuous simulation allows us to account for antecedent conditions (e.g., existing system water levels and soil moisture conditions from previous storm events), and also permits the evaluation of drainage system response to a wide range of rainfall distributions rather than an average. This presents the added benefit of understanding system level of service over the entire spectrum of conditions under which the system will operate in its lifetime. But if climate change is altering precipitation patterns, where do we go from here ?

L’approche de simulation continue s’est avérée relativement efficace dans les scénarios de climat stable, ce qui signifie que les données historiques sont représentatives du futur. Cependant, comme le changement climatique modifie la répartition des précipitations dans l’espace et dans le temps, des méthodes plus avancées encore doivent être mises au point afin de mieux comprendre la performance des réseaux, d’autant plus que nous savons que l’incidence des inondations évoluera au fil du temps. Pour ce faire, nous nous tournons vers les modèles climatiques.

Les modèles climatiques constituent nos outils les plus perfectionnés pour simuler le changement climatique mondial influencé par les émissions de gaz à effet de serre en augmentation. Ils nous aident aussi à comprendre les modèles de précipitations du passé et à prévoir les changements à venir. Si l’on met à profit les avancées en modélisation du climat, nous serons en mesure de modifier les données historiques de précipitations afin de projeter des changements futurs; cela est crucial pour améliorer notre compréhension des risques liés aux inondations selon une conception dynamique du futur. Or, il existe des limites inhérentes à l’application directe dite à faible pouvoir de résolution (c’est-à-dire à larges mailles de réseau et écarts de temps) des données de modélisation climatique pour les évaluations des impacts des inondations à l’échelle locale. Toutefois, lorsqu’il s’agit de planifier pour le futur et de gérer l’infrastructure du réseau d’évacuation, ces avancées technologiques représentent le meilleur moyen de savoir comment le rendement d’un réseau changera au fil du temps.

Une autre approche pour l’amélioration de prédictions liées aux inondations consiste à exploiter les données des stations météorologiques en région éloignée et le flux continu de données de surveillance. En vertu des récentes avancées d’apprentissage machine, une branche de l’intelligence artificielle qui utilise des concepts comme la reconnaissance de formes, les algorithmes peuvent maintenant traiter des ensembles de mégadonnées afin de formuler des prédictions précises, en établissant des relations entre le captage du réseau et sa réaction. L’établissement de ces relations prédictives permet aux décideurs de prévoir les inondations en temps réel et de mettre en place des mesures d’adaptation lorsqu’une inondation est prévue. Dans le futur, les données en temps réel accumulées viendront appuyer les analyses de planification, car elles permettront de connaître la répartition spatiale des précipitations à l’échelle locale ainsi que les répercussions du changement climatique et de l’utilisation des terres sur les risques d’inondation.

Même si l’utilisation de l’apprentissage machine pour la prédiction des inondations en est encore à ses balbutiements, l’idée vaut la peine que l’on s’y attarde. Cela ne représente probablement que la partie visible de l’iceberg (même s’ils fondent en raison du changement climatique!) en matière d’intégration de la modélisation climatique, des mégadonnées et de l’apprentissage machine dans la gestion des risques liés aux inondations.