Votre prime d'assurance inondation repose sur une carte de 1987. Voici ce qui devrait la remplacer.

L'an dernier, je me suis retrouvé face à un souscripteur chevronné d'un assureur IARD de taille moyenne dans le Sud-Est. Il avait une carte punaisée au mur derrière lui — littéralement punaisée, avec des punaises — représentant les zones inondables de la FEMA pour un comté côtier que son équipe assurait massivement. Je lui ai demandé quand la carte avait été mise à jour pour la dernière fois.

Il a ri. « Cette carte est plus vieille que la plupart de mes analystes. »

Il n'exagérait pas. La carte datait de 1992. Et il s'en servait — avec un léger calcul de moyennes par code postal — pour tarifer le risque d'inondation de milliers de maisons, dans une région où trois ouragans majeurs avaient remodelé le littoral, où de nouveaux lotissements avaient bétonné des zones humides, et où les infrastructures de drainage étaient conçues pour une intensité de précipitations qui ne correspond plus à la réalité.

Cette conversation m'a hanté. Non pas parce que le souscripteur était incompétent — il était perspicace, expérimenté et parfaitement conscient du problème. Mais parce que les outils dont il disposait appartenaient à une autre ère climatique, et le secteur n'avait aucune voie claire pour les remplacer.

C'est ce qui a conduit mon équipe chez Veriprajna à passer des mois à rechercher ce que nous appelons désormais la « Deep AI » pour la souscription d'assurance inondation — une convergence de vision par ordinateur, de radar satellitaire et d'apprentissage automatique éclairé par la physique, capable d'évaluer le risque d'inondation au niveau d'un bâtiment individuel, et non d'un code postal. J'ai rédigé un aperçu interactif de l'ensemble de la recherche ici, et plus je m'y plongeais, plus j'étais convaincu qu'il ne s'agit pas d'une amélioration facultative. C'est une question de solvabilité.

La carte qui vous ment

Voici ce qu'il faut comprendre au sujet des cartes d'inondation de la FEMA, et que la plupart des gens — y compris de nombreux professionnels de l'assurance — ne saisissent pas pleinement : elles n'ont jamais été conçues pour servir d'outils de souscription.

Le concept de « crue centennale », qui structure l'ensemble du National Flood Insurance Program, représente une probabilité annuelle d'inondation de 1 %. Cela paraît rare. Mais appliquez cette probabilité à un prêt hypothécaire de 30 ans et vous obtenez une probabilité de 26 % de subir une « crue centennale » pendant la durée du prêt. Ce n'est pas un risque extrême. C'est un pile ou face avec des chances à peine meilleures.

Les cartes elles-mêmes sont pires que le concept. Environ 75 % des cartes d'inondation de la FEMA ont plus de cinq ans. Certaines datent des années 1970 et 1980. Elles ne tiennent pas compte des constructions nouvelles qui ont modifié les schémas de drainage. Elles ne tiennent pas compte du changement climatique qui intensifie les précipitations. Et elles créent ce que j'ai commencé à appeler « l'effet de falaise » — une ligne binaire où une maison située à trente centimètres à l'intérieur de la Special Flood Hazard Area paie des milliers de dollars d'assurance obligatoire, tandis qu'une maison à trente centimètres à l'extérieur est classée comme présentant un risque minime.

L'eau se moque des lignes tracées sur une carte.

Près de 68 % des déclarations de dommages liés aux inondations surviennent en dehors des zones inondables à haut risque désignées par la FEMA. Les cartes ne sont pas seulement obsolètes — elles sont systématiquement trompeuses.

Le résultat est un marché bâti sur de mauvaises informations. Moins de 4 % des propriétaires américains détiennent une assurance inondation. Non par imprudence, mais parce que les cartes leur ont dit qu'ils étaient en sécurité.

Pourquoi 68 % des dommages liés aux inondations surviennent-ils en dehors des « zones inondables » ?

C'est la statistique qui m'a glacé lorsque je l'ai rencontrée pour la première fois dans la recherche. Si vous m'aviez demandé de deviner avant de voir les données, j'aurais peut-être dit 20 %, voire 30 %. Mais 68 % ? Cela signifie que la majorité des sinistres d'inondation sont invisibles pour le système censé les prévoir.

La réponse tient dans un mot que la plupart des gens en dehors de l'hydrologie n'ont jamais entendu : l'inondation pluviale.

Les cartes de la FEMA modélisent le débordement des rivières (inondation fluviale) et les ondes de tempête côtières. Elles ne modélisent pas ce qui se produit lorsque quinze centimètres de pluie tombent en deux heures sur un quartier où chaque allée, parking et toiture est une surface imperméable. L'eau n'a nulle part où aller. Elle stagne. Elle trouve le point le plus bas — qui pourrait être le salon en contrebas de quelqu'un, à cinq kilomètres de la rivière la plus proche.

Je me souviens que mon équipe en débattait lors d'un appel tardif. L'un de nos chercheurs, qui s'était plongé dans la littérature sur l'hydrologie urbaine, ne cessait d'insister sur le fait que la micro-topographie — la légère pente d'une rue, le fait qu'une allée descende vers le garage ou s'en éloigne — importe davantage que la proximité d'une rivière pour les événements pluviaux. J'ai objecté. Cela semblait trop granulaire pour avoir un sens à l'échelle d'un portefeuille.

Il a affiché les données de dommages de Houston après Harvey. Bloc par bloc, les pertes étaient extrêmement inégales. Des maisons dans la même rue, dans le même code postal, avec la même classification FEMA — l'une inondée, l'autre non. La différence tenait souvent à quelques centimètres d'élévation ou au mur de soutènement d'un voisin.

C'est là que j'ai compris : le calcul de moyennes par code postal n'est pas seulement imprécis. C'est une unité d'analyse fondamentalement erronée pour le risque d'inondation.

La révolution des vingt centimètres

S'il existe une seule variable qui détermine si une inondation est une nuisance ou une catastrophe, c'est l'Élévation du Premier Étage — la distance verticale entre le sol et le plancher habitable le plus bas d'un bâtiment.

Les chiffres ici sont saisissants. Surélever le premier étage d'une maison ne serait-ce que de trente centimètres au-dessus de la cote de crue de référence peut réduire la Perte Annuelle Moyenne d'environ 90 %. Trente centimètres. C'est la différence entre un bien qui est une bombe à retardement et un bien éminemment assurable.

Et pourtant, ce chiffre ne figure presque jamais dans le dossier du souscripteur. Les registres fiscaux publics ne le recensent pas. Les Certificats d'Élévation sont des documents manuels coûteux. Les modèles hérités se contentent de deviner — en supposant, par exemple, que chaque maison d'une région dispose d'un vide sanitaire standard de trente centimètres.

C'est là que la vision par ordinateur change tout.

Mon équipe a passé des semaines à étudier comment les réseaux de neurones peuvent extraire l'élévation du premier étage à partir des images de Google Street View. Le procédé est élégant d'une manière qui m'a surpris. Un réseau de neurones convolutif examine une photo d'une maison prise au niveau de la rue et identifie la ligne de sol, le seuil de la porte d'entrée, les marches. Il estime la profondeur entre la caméra et la façade. Puis il applique de la trigonométrie de base — hauteur de la caméra, angle d'inclinaison, position des pixels — pour calculer la hauteur physique de l'entrée au-dessus du niveau de la rue.

Il existe même une méthode de secours d'une simplicité remarquable : compter les marches. Les codes du bâtiment spécifient une hauteur de contremarche standard d'environ 18 centimètres. Six marches pour atteindre la porte d'entrée ? Cela fait environ 1,07 mètre d'élévation du premier étage. Un modèle de vision par ordinateur peut compter les marches sur des millions de propriétés sans que personne ne quitte son bureau.

Des réseaux de neurones entraînés à l'estimation de l'élévation du plancher le plus bas ont atteint des erreurs moyennes de seulement 0,218 mètre — environ 8,5 pouces. C'est une précision de l'ordre du centimètre, à l'échelle d'un continent, sans une seule visite de site.

Lorsque j'ai vu cette marge d'erreur pour la première fois, j'ai dû regarder à deux fois. Huit pouces et demi d'erreur moyenne, dérivés d'une photographie prise par une voiture qui passe. Comparez cela à l'approche héritée qui suppose que chaque maison d'un code postal a le même profil d'élévation. Ce n'est même pas le même sport.

Que se passe-t-il lorsque l'on peut voir à travers les nuages ?

La souscription d'assurance inondation comporte une cruelle ironie : le moment où l'on a le plus besoin de voir ce qui se passe sur le terrain — pendant une inondation — est précisément celui où les satellites optiques deviennent aveugles. Les inondations s'accompagnent de nuages et de pluie. Les caméras ne peuvent voir à travers ni l'un ni l'autre.

Le Radar à Synthèse d'Ouverture se moque des nuages.

Les satellites SAR émettent des impulsions micro-ondes qui traversent la couverture nuageuse, la fumée et les fortes pluies, puis mesurent l'énergie qui rebondit. L'eau calme agit comme un miroir — elle réfléchit le signal radar loin du satellite, apparaissant sous forme de pixels sombres dans l'image. La terre sèche diffuse le signal en retour, apparaissant claire. Le contraste vous donne une carte d'inondation, par tous les temps, de jour comme de nuit.

Je dois avouer que lorsque j'ai découvert les données SAR pour la première fois, je les ai trouvées étrangères. Cela ne ressemble pas à une photographie. C'est granuleux, moucheté et contre-intuitif. Mais une fois que l'on comprend ce que cela montre, c'est extraordinaire — un œil tous temps capable de cartographier l'empreinte exacte d'une inondation dans les heures qui suivent le pic d'un événement.

La complexité surgit dans les villes. Les inondations urbaines créent un phénomène appelé « double rebond » — le radar frappe la surface de l'eau, rebondit sur le mur d'un bâtiment et revient au satellite avec une forte intensité. Pour un algorithme naïf, cela ressemble à de la terre sèche. Il faut des modèles d'apprentissage profond spécifiquement entraînés sur ces schémas d'interférence pour identifier correctement l'inondation urbaine. Les approches traditionnelles fondées sur des seuils échouent ici systématiquement.

Lorsque l'on fusionne le SAR avec les données optiques — en utilisant le radar pour une couverture tous temps et l'imagerie optique pour la confirmation spectrale — la précision de classification dépasse 92 % même dans des paysages urbains complexes.

Pourquoi l'IA standard ne peut-elle pas simplement prédire les inondations ?

C'est une question que l'on me pose sans cesse, et elle révèle une incompréhension fondamentale de ce que l'apprentissage automatique peut et ne peut pas faire.

Un modèle d'apprentissage profond standard entraîné sur des données historiques d'inondations apprend des schémas. Il peut apprendre que les propriétés proches des rivières s'inondent davantage, que certains types de sols sont corrélés à des pertes plus élevées, que le printemps est pire que l'automne. Et pour les événements qui ressemblent aux données d'entraînement, il fonctionne raisonnablement bien.

Mais les inondations s'aggravent d'une manière qui n'a aucun précédent historique. Un modèle purement guidé par les données confronté à une intensité de tempête qu'il n'a jamais vue extrapolera de façon extravagante ou se rabattra sur quelque chose de conservateur et d'erroné. Pire, il pourrait générer des prédictions physiquement impossibles — de l'eau apparaissant sans source, ou s'écoulant vers le haut.

Un réseau de neurones qui n'a jamais vu une tempête cinq-centennale hallucinera lorsqu'il en rencontrera une. La physique n'hallucine pas.

C'est pourquoi les Réseaux de Neurones Informés par la Physique — PINN — représentent l'avancée architecturale la plus importante dans la modélisation des inondations. Un PINN n'est pas seulement entraîné à correspondre aux données historiques. Il est simultanément entraîné à obéir aux lois de la dynamique des fluides : conservation de la masse (l'eau n'apparaît pas de nulle part) et conservation de la quantité de mouvement (l'eau s'écoule vers le bas, en respectant la gravité et le frottement).

La mise en œuvre technique est trompeusement simple sur le plan conceptuel. La fonction de perte du réseau comporte deux composantes : dans quelle mesure il correspond aux données observées, et dans quelle mesure il enfreint les équations physiques qui le régissent. Pénalisez les violations de la physique pendant l'entraînement, et vous obtenez un modèle à la fois guidé par les données et contraint par la physique.

Le bénéfice pratique est énorme. Les PINN nécessitent bien moins de données d'entraînement car les équations physiques contraignent l'espace des solutions. Et ils se généralisent à des événements sans précédent parce que la physique sous-jacente ne change pas — une tempête cinq-centennale suit la même dynamique des fluides qu'une tempête décennale, simplement avec des entrées différentes.

Pour la présentation technique complète de la manière dont ces architectures fonctionnent ensemble, y compris les mathématiques derrière les Réseaux de Neurones sur Graphes pour le routage hydrologique, je vous renverrais à notre article de recherche. Mais l'enseignement clé pour la souscription est le suivant : un PINN entraîné comme modèle de substitution peut simuler des milliers de scénarios climatiques pour une propriété spécifique en temps réel. Au lieu d'un taux statique « Zone AE », vous obtenez un profil de risque dynamique et probabiliste qui reflète la physique réelle de l'eau s'écoulant à travers ce paysage spécifique jusqu'à ce bâtiment spécifique.

L'argument de la solvabilité

J'ai développé l'argument technologique, mais permettez-moi de développer l'argument commercial, car c'est là que réside l'urgence.

Le ratio combiné de l'assurance habitation — la mesure de base indiquant si un assureur gagne ou perd de l'argent sur sa souscription — s'est établi en moyenne à 101,5 % récemment et a culminé à 110,5 % en 2023. Au-dessus de 100 %, cela signifie que vous perdez de l'argent. Le secteur saigne.

L'antisélection dévore les assureurs. Lorsque vous tarifez le risque d'inondation à l'échelle du code postal, vous faites la moyenne entre une maison sur une colline et une maison dans une dépression. Le propriétaire de la maison en dépression — qui sait que son sous-sol s'inonde à chaque forte pluie — souscrit avec empressement au prix moyen. Le propriétaire sur la colline, qui perçoit à juste titre le prix comme trop élevé par rapport à son risque réel, s'en va. Votre pool de risques concentre discrètement les mauvais risques, et votre ratio de sinistralité se détériore d'une manière qui n'apparaît qu'au prochain événement majeur.

La Deep AI inverse cette dynamique. Un assureur qui sait qu'une maison située dans une zone « à haut risque » se trouve en réalité à 1,20 mètre au-dessus de la cote de crue de référence, avec des évents anti-inondation installés et un système CVC surélevé, peut souscrire cette police de manière rentable à un taux que ses concurrents hérités ne toucheront pas. Ce n'est pas de l'écrémage — c'est une tarification exacte. Et cela fonctionne dans les deux sens : la maison située dans une zone « à faible risque » avec un garage en contrebas et des surfaces imperméables sur tous ses côtés est tarifée pour ce qu'elle est réellement.

L'ère de la souscription du risque d'inondation fondée sur des cartes papier des années 1980 et des moyennes par code postal est effectivement révolue. La question est de savoir quels assureurs le reconnaîtront les premiers.

Il y a aussi un angle réassurance ici. Les réassureurs — les entreprises qui assurent les assureurs — exigent de plus en plus de transparence sur les portefeuilles sous-jacents des assureurs primaires. Un portefeuille souscrit à partir de données d'élévation au niveau du pixel et surveillé par radar satellitaire constitue une proposition de risque fondamentalement différente d'un portefeuille tarifé à partir des zones de la FEMA. De meilleures données signifient de meilleures conditions de réassurance, ce qui signifie une meilleure efficacité du capital, ce qui signifie un avantage concurrentiel. Cela se cumule.

« Mais pouvez-vous l'expliquer à un régulateur ? »

Les gens me posent toujours cette question, et c'est la bonne. À mesure que l'IA devient centrale dans les décisions de tarification qui déterminent si quelqu'un peut se permettre de vivre dans son logement, la surveillance réglementaire va — et doit — s'intensifier.

C'est en réalité là que les modèles informés par la physique disposent d'un avantage inattendu sur l'apprentissage profond en boîte noire. Les prédictions d'un PINN sont ancrées dans des équations physiques explicites — les équations de Saint-Venant de la dynamique des fluides, la conservation de la masse, la conservation de la quantité de mouvement. Lorsqu'un département d'État à l'assurance demande pourquoi une prime a augmenté, l'assureur peut désigner un risque hydraulique spécifique, modélisé physiquement : « L'eau de ce bassin versant atteint cette propriété à cette profondeur dans ces conditions de précipitations, sur la base de ces mesures d'élévation et de cette topologie de drainage. »

Ce n'est pas une corrélation algorithmique opaque. C'est de l'ingénierie. Les régulateurs comprennent l'ingénierie.

J'ai commencé à appeler cela l'« IA en boîte de verre » — des modèles dont le raisonnement est transparent parce qu'il est ancré dans une physique connue, et pas seulement dans des schémas statistiques appris. C'est l'opposé du problème de la boîte noire qui rend tout le monde nerveux face à l'IA dans les décisions à fort enjeu.

Vers où cela nous mène ensuite

Le concept que je trouve le plus convaincant — et le plus disruptif — est ce que j'appellerais le modèle de risque « vivant ». Aujourd'hui, le risque d'inondation est évalué à la souscription de la police et peut-être réexaminé au renouvellement. C'est un instantané. Mais le risque est continu.

Si un satellite SAR détecte un affaissement de terrain dans une région, les scores de risque des propriétés concernées devraient se mettre à jour. Si un voisin bétonne une pelouse perméable, les caractéristiques de ruissellement de surface de l'ensemble du micro-bassin versant changent. Si une municipalité modernise ses égouts pluviaux, chaque propriété du bassin de drainage en bénéficie.

Un modèle vivant transforme l'assureur, de simple payeur de sinistres, en quelque chose qui ressemble davantage à un partenaire de risque. Des ajustements en cours de contrat. Des alertes proactives. Des crédits de prime pour des mesures d'atténuation que l'assureur peut réellement vérifier grâce à l'imagerie aérienne — évents anti-inondation installés, CVC surélevé, surfaces perméables entretenues.

Cela rend également possible l'assurance paramétrique contre les inondations — des polices qui versent automatiquement des indemnités lorsqu'un satellite confirme que la profondeur d'inondation dépasse un seuil aux coordonnées assurées. Aucune visite d'expert. Aucun processus de sinistre s'étalant sur des mois. Une liquidité immédiate, au moment où les gens en ont le plus besoin.

Je repense sans cesse à ce souscripteur avec sa carte de 1992 au mur. Il n'était pas le problème. Il travaillait avec ce que le secteur lui donnait. Le problème, c'est que le secteur a été lent à reconnaître que le climat a évolué, que les données ont évolué et que la technologie a évolué — tandis que l'infrastructure de souscription est restée punaisée au mur.

La convergence de la vision par ordinateur, du radar à synthèse d'ouverture et de l'apprentissage automatique informé par la physique ne fait pas qu'améliorer la souscription d'assurance inondation. Elle la rend possible pour la première fois. Tout ce qui précédait n'était que conjecture éclairée à une résolution trop grossière pour avoir un sens. Ce qui vient ensuite, c'est de la mesure — bâtiment par bâtiment, centimètre par centimètre, tempête par tempête — à une précision qui transforme le risque d'inondation, d'une catastrophe imprévisible, en quelque chose que l'on peut réellement tarifer.

Les assureurs qui comprendront cela les premiers n'auront pas seulement de meilleurs ratios de sinistralité. Ils auront les seuls ratios de sinistralité qui aient un sens.