GeoPrior-v3 : une IA guidée par la physique pour une prévision fiable des géorisques

Géneralement, les géorisques sont présentés comme des catégories : inondations, sinkholes, subsidence, glissements de terrain, dommages sismiques, défaillances côtières. Mais les populations ne les vivent pas comme de simples catégories. Elles les vivent à travers des routes bloquées, des bâtiments déformés, des réseaux de drainage endommagés, des délais d’alerte raccourcis et des infrastructures poussées au-delà de ce que le sol sous-jacent peut encore supporter en sécurité.

Certains aléas s’annoncent de manière spectaculaire. D’autres s’accumulent presque en silence. Cette différence est essentielle. Un événement soudain peut être dévastateur, mais un aléa lent peut être sous-estimé pendant des années parce que sa logique destructrice se déploie morceau par morceau. Le danger ne réside pas seulement dans l’événement lui-même ; il réside aussi dans la longue période durant laquelle le système évolue alors que le sens de ces changements reste mal compris.

C’est l’une des raisons pour lesquelles la subsidence des sols mérite une place centrale dans une réflexion plus large sur les géorisques. Elle est rarement perçue comme un simple signal de déformation élégant. Elle se manifeste plutôt par des murs inclinés, des routes fracturées, des défaillances de drainage, des modifications de trajectoires de ruissellement et des surfaces urbaines qui perdent lentement leur fiabilité mécanique.

La séquence de sinkhole ci-dessus rappelle la même leçon à travers un mécanisme différent. L’expression en surface arrive en dernier. Que le moteur soit la croissance d’une cavité, l’épuisement des eaux souterraines, la compaction ou l’instabilité de versant, la défaillance visible n’est généralement que le visage public d’un processus plus profond et plus long. Le défi scientifique n’est donc pas seulement de détecter les dégâts après leur apparition, mais de comprendre la voie physique qui rend ces dégâts plausibles dès l’origine.

C’est ce changement de perspective qui sous-tend GeoPrior-v3. L’objectif n’est pas de décorer l’analyse des géorisques avec un vocabulaire d’IA. L’objectif est de maintenir la prévision connectée aux mécanismes, au contexte et au sens physique, afin que la prédiction devienne non seulement plus précise, mais aussi plus crédible.

Une IA purement pilotée par les données peut être puissante. Elle sait compresser de grands signaux, interpoler des motifs et produire des sorties visuellement convaincantes. Dans de nombreux contextes, cela peut déjà suffire. Dans les géorisques, non. La question centrale n’est presque jamais seulement de savoir si un modèle a bien reproduit le passé. Elle consiste à savoir si la prévision reste pertinente lorsque le système change, lorsque le forçage évolue, lorsque le site diffère, ou lorsque le modèle doit s’aventurer au-delà des conditions qui lui ont appris à s’ajuster.

Dans différentes régions du monde, la subsidence a été associée au pompage des eaux souterraines, à la compaction des systèmes aquifères, à la croissance urbaine rapide, à la vulnérabilité côtière et à l’évolution des régimes de contrainte souterraine, comme l’ont discuté Galloway et Burbey (2011), Abidin et al. (2011), Motagh et al. (2008), Chaussard et al. (2014), Shirzaei et al. (2021), Candela et Koster (2022) et Hasan et al. (2023). L’aléa n’est donc pas arbitraire. Il émerge d’un comportement hydro-géologique et mécanique couplé, ce qui signifie qu’une prévision doit être évaluée non seulement par sa qualité d’ajustement, mais aussi par sa plausibilité physique.

C’est précisément là que la prévision boîte noire devient fragile. Un modèle peut découvrir des corrélations numériquement fortes à l’intérieur du domaine d’apprentissage mais physiquement faibles en dehors. Il peut absorber des variables proxy sans savoir si elles reflètent une réponse hydraulique, une charge urbaine, un biais de mesure ou une simple co-variation accidentelle. Il peut produire des cartes lisses et stables en apparence, tout en violant silencieusement la structure du système qu’il prétend décrire.

C’est pourquoi la distinction la plus importante n’est pas entre « IA » et « pas d’IA ». Elle est entre prédiction non contrainte et apprentissage guidé par la physique. La première peut être utile pour du criblage. La seconde est bien mieux adaptée à la prévision scientifique, à la transférabilité et à une interprétation du risque réellement exploitable.

Tous les géorisques ne se prêtent pas également à devenir le premier terrain d’épreuve d’un nouveau cadre scientifique d’IA. Le point de départ idéal doit être à la fois scientifiquement exigeant et socialement pertinent. Il doit révéler les limites de la prédiction purement statistique tout en récompensant les modèles qui respectent la structure physique, la variabilité spatiale et la mémoire temporelle. La subsidence des sols remplit exactement ces conditions.

Dans de nombreux contextes de subsidence, la baisse des niveaux d’eau souterraine n’est pas simplement corrélée à la déformation ; elle fait partie de la chaîne causale par laquelle pression interstitielle, contrainte effective, comportement de stockage et compaction évoluent ensemble. Le visuel orienté mécanisme ci-dessus est particulièrement utile sur ce point et s’accorde bien avec l’explication publique proposée par Brett McDaniel. Il illustre pourquoi la subsidence doit être lue comme un processus souterrain couplé plutôt que comme un simple symptôme de surface.

L’importance d’une déformation silencieuse et cumulative devient encore plus claire en milieu métropolitain. Un exemple frappant est la catastrophe de Maceió au Brésil, où une instabilité du sol de longue durée a culminé en crise urbaine majeure. La figure ci-dessous est reliée à l’analyse de Vassileva et al. (2021), qui ont documenté comment un aléa de subsidence silencieux, étalé sur une décennie, a évolué jusqu’à une défaillance métropolitaine visible.

La subsidence constitue donc un test scientifique particulièrement révélateur. Un modèle faible peut tout de même produire de belles cartes. Un modèle plus solide doit aller plus loin : il doit rester cohérent lorsque les signaux liés aux eaux souterraines changent, lorsque le site diffère, lorsque l’horizon de prévision s’allonge, et lorsque le résultat n’est plus lu par un simple tableau de benchmarks mais par un scientifique, un ingénieur ou un décideur qui a besoin de faire confiance au sens du motif obtenu.

Ce caractère cumulatif est scientifiquement précieux. Il signifie que le modèle doit apprendre plus qu’un motif spatial. Il doit raisonner sur la persistance, la réponse retardée, la déformation cumulative et la manière dont un système souterrain sous contrainte laisse sa signature dans le temps plutôt qu’en un instant unique. Peu de premiers cas d’usage rendent le besoin d’une IA guidée par la physique aussi évident.

La difficulté centrale de la prévision des géorisques ne vient pas seulement du bruit présent dans les données. Elle vient du fait que le système lui-même est structuré. Déformation de surface, changement des eaux souterraines, compaction, stockage, effets d’épaisseur et forçages locaux ne sont pas des motifs indépendants qu’il suffirait d’ajuster les uns après les autres. Ce sont des expressions couplées d’un même environnement en évolution.

L’IA guidée par la physique part d’un principe différent de celui de la prédiction boîte noire ordinaire. Au lieu de demander au modèle de tout apprendre à partir des seules corrélations, elle lui demande d’apprendre à l’intérieur d’un espace scientifiquement significatif. Les données comptent toujours. Le réseau de neurones compte toujours. Mais la prévision n’est plus libre de se comporter comme si l’aléa était détaché des mécanismes qui le gouvernent.

Dans cet objectif combiné, l’ajustement aux observations reste essentiel, mais il est entraîné aux côtés de la cohérence physique et de priors scientifiquement pertinents. C’est là le cœur méthodologique de GeoPrior-v3. Le cadre n’essaie pas de diminuer le rôle de l’IA. Il cherche à rendre l’apprentissage plus responsable vis-à-vis du système terrestre qu’il prétend décrire.

Une fois cette logique de conception comprise, la distinction entre cadre et modèle phare devient bien plus simple. GeoPrior-v3 est le système scientifique global : il organise le workflow, la reproductibilité, les diagnostics et l’interprétation. GeoPriorSubsNet est le modèle phare qui incarne le plus directement cette logique pour la prévision de la subsidence des sols.

GeoPriorSubsNet n’a pas vocation à être un réseau de prévision générique simplement posé sur des données de géorisques. C’est la première réalisation concrète de la philosophie plus large de GeoPrior-v3 : un modèle qui apprend à partir des observations tout en restant lié à la structure physique de la subsidence.

L’expression de type relaxation ci-dessus capture l’intuition, même si le modèle implémenté est plus riche qu’une seule équation. La subsidence n’est pas traitée comme une séquence arbitraire. Elle est traitée comme la conséquence temporelle d’une réponse physiquement structurée, dans laquelle tassement, comportement des eaux souterraines et échelles de temps caractéristiques doivent rester mutuellement cohérents.

C’est pourquoi le modèle est scientifiquement important. Sa valeur ne vient pas uniquement de sa sophistication. Elle vient d’un meilleur alignement entre ce qui est prédit et ce qu’est réellement l’aléa. La subsidence est la signature de surface d’un processus plus profond. Un modèle phare pour la subsidence doit donc préserver un certain contact avec ce processus pendant l’apprentissage.

Un cadre de prévision prouve sa valeur non seulement par son architecture, mais aussi par son usage. C’est ici que de nombreux modèles scientifiques pourtant solides deviennent difficiles à adopter. La théorie peut être convaincante, mais le chemin pratique entre les données et des sorties interprétables reste souvent fragmenté, fragile ou dépendant d’un savoir interne au projet.

GeoPrior-v3 répond à cette difficulté en traitant le processus de prévision comme un parcours scientifique guidé. Préparation, prétraitement, configuration, entraînement, tuning, inférence, cartographie et artefacts exportés sont organisés comme les parties d’une séquence cohérente. Cette structure est importante parce que la reproductibilité n’est pas un simple supplément administratif dans les géorisques ; elle fait partie de ce qui rend une prévision scientifiquement crédible.

La couche applicative n’est donc pas cosmétique. Elle fait partie de l’utilisabilité scientifique du projet. Les prévisions sont rarement consommées comme de simples tenseurs bruts. Elles sont interprétées à travers des cartes, des comparaisons, des diagnostics, des synthèses et des résultats exportés que l’on peut partager puis revisiter. Un utilisateur a besoin de plus qu’une prédiction ; il a besoin d’un chemin vers l’interprétation.

C’est aussi là que la surface publique du projet devient utile. La documentation et le code source rendent le cadre inspectable. Le tutoriel pas à pas en anglais, la présentation de simulation et la présentation en français sur GeoPriorSubsNet et la transférabilité aident à relier la logique du modèle aux usages réels.

Un cadre comme GeoPrior-v3 ne devient pleinement significatif que si d’autres peuvent l’inspecter, le tester, le contester, le réutiliser et l’étendre. C’est pourquoi l’ouverture n’est pas un détail ajouté après coup dans ce projet. Elle fait partie de la position scientifique qui le sous-tend.

Dans la prévision des géorisques, la crédibilité ne peut pas reposer seulement sur des captures d’écran ou sur des résultats de benchmark. Un résultat devient plus précieux lorsque l’infrastructure scientifique qui l’entoure est visible : le code, la logique du workflow, la documentation, les sorties intermédiaires et les hypothèses qui structurent la prévision. L’ouverture fait plus que partager du code. Elle rend le raisonnement inspectable, la comparaison possible et l’amélioration collective.

C’est aussi pourquoi la dimension narrative du projet est importante. La direction générale de la recherche, le contexte du portfolio et l’évolution de l’identité du projet sont plus faciles à suivre à travers le site principal du projet, tandis que le guidage opérationnel vit dans la documentation et que le détail de l’implémentation vit dans le dépôt. Ensemble, ces surfaces rendent la logique scientifique plus lisible, et pas seulement plus facile à télécharger.

GeoPrior-v3 commence avec la subsidence des sols, mais n’a pas vocation à s’y arrêter. La subsidence est le premier terrain d’épreuve parce qu’elle rend l’argument central du projet particulièrement clair : la prévision des géorisques demande plus qu’une prédiction flexible. Elle demande un apprentissage guidé par la physique, des workflows structurés, des sorties interprétables et une reproductibilité scientifique.

Cette même logique peut s’étendre beaucoup plus loin. De nombreux géorisques ne sont pas des événements isolés, mais des réponses couplées du système terrestre façonnées par l’eau, les contraintes, les propriétés des matériaux, l’évolution du relief, l’exposition des infrastructures et des forçages incertains. À mesure que ces problèmes deviennent plus riches en données et plus urgents socialement, la pertinence d’un cadre comme GeoPrior-v3 devient encore plus forte.

L’étape suivante ne consiste donc pas seulement en un changement d’échelle, mais aussi en un approfondissement : extension à d’autres géorisques, traitement plus robuste de l’incertitude, meilleure transférabilité entre sites, et manières plus riches de relier les priors physiques aux architectures modernes d’IA. Le projet pose déjà les bases de cet avenir en réunissant conception de modèle, discipline du workflow, usage guidé et infrastructure scientifique ouverte.