Les inondations comptent parmi les catastrophes naturelles les plus fréquentes à travers le monde. Les dommages qu’elles causent peuvent être dévastateurs sur plusieurs plans – matériel, émotionnel et financier.
Mais les choses seraient-elles différentes si nous savions à l’avance où les inondations allaient se produire? C’est précisément le projet que Danielle Rainville, étudiante à la maîtrise ès sciences appliquées en génie civil, a en tête : mettre au point un modèle permettant de prévoir les inondations dans la région et d’atténuer les dommages.
Prévoir les inondations plus rapidement
Danielle Rainville planche sur de nouvelles solutions pour répondre aux enjeux de durabilité et de protection de l’environnement. Son directeur de recherche, le professeur Hossein Bonakdari, a été pour elle une grande source d’inspiration. « Même si le sujet était nouveau pour nous deux, nous avons saisi cette occasion pour apprendre ensemble », explique-t-elle.
L’objectif de l’étudiante : s’appuyer sur des statistiques pour déterminer la probabilité d’inondation, même lorsque peu de données environnementales sont disponibles. Cette façon de faire s’avère particulièrement utile dans les régions au climat extrême, isolées ou en développement où il est plus difficile de recueillir des données. « Si mes prévisions sont plus flexibles que les mesures actuelles, cela pourrait constituer une amélioration », fait-elle remarquer.
Aborder la sécurité publique sous l’angle des données
Les recherches de Danielle Rainville sur le risque d’inondation s’appuient sur une approche probabiliste appelée « réseau bayésien ». Cette méthode consiste à créer des graphiques illustrant comment différents facteurs environnementaux influencent le risque d’inondation à Ottawa.
Pour construire le modèle, il a d’abord fallu recueillir les bonnes données. « J’ai recueilli les données publiques relatives à différents paramètres (la température et le débit de l’air, les précipitations, etc.) et j’en ai extrait les probabilités. Celles-ci sont ensuite compilées dans un logiciel qui tente de donner un sens aux données qui lui sont fournies. Le plus difficile est de s’assurer que les résultats ont du sens. Pour y arriver, il faut réorganiser les paramètres du modèle et effectuer beaucoup d’analyses de sensibilité. »
Quand le modèle a été achevé, l’étudiante a pu confirmer l’exactitude de ses résultats en les comparant aux données sur les inondations antérieures dans la région d’Ottawa. Elle a ainsi pu prédire avec précision le risque d’inondation de la rivière des Outaouais.
Utiliser l’apprentissage machine pour prévoir les scénarios climatiques
Les tests de précision du modèle constituent l’étape cruciale du projet. Car une fois qu’elle aura un modèle précis, Danielle Rainville pourra commencer à mettre au point des méthodes pour aller au-delà de l’analyse des données historiques et commencer à utiliser des données actuelles pour prévoir les inondations futures. L’étudiante cherche à développer des modèles d’apprentissage machine qui pourront anticiper les inondations dans différents scénarios climatiques, le tout dans l’espoir de prévenir de graves dommages aux infrastructures locales, à la faune et dans les communautés.
Danielle Rainville aspire à une longue carrière en génie civil; ses recherches sur les catastrophes naturelles ne sont que le début.
Infrastructures durables et résilientes : une priorité pour la Faculté de génie de l’Université d’Ottawa
Les infrastructures durables et résilientes comptent parmi les cinq principaux domaines de recherche de la Faculté de génie de l’Université d’Ottawa. L’Université a à cœur de mettre au point des infrastructures capables de résister à des conditions difficiles et à divers dangers.
Le projet de recherche de Danielle Rainville lui a valu la première place dans la catégorie « Infrastructures durables et résilientes » lors de l’édition 2026 de la Compétition d’affiches en génie et en informatique, qui a eu lieu dans le cadre de la Journée de célébration de la recherche en génie. Elle a également terminé en première place dans la catégorie « Femmes en sciences et en génie (WISE) ». Son affiche, intitulée Integration of Hydrological Parameters Through a Bayesian Framework to Determine Flood Likelihood for the Region of Ottawa, a séduit le jury grâce à sa méthode qui cherche à protéger la communauté locale.
Découvrez les autres affiches primées lors de la compétition.