NIHSA Annual Flood Outlook — Nigeria's AI-Assisted Flood Risk Forecasting Across 250+ Monitoring Stations
Nigeria
Nigeria's Hydrological Services Agency says it deployed deep-learning models trained on 200+ years of flood data for its 2026 Annual …
Bangladesh · Dhaka · See the Bangladesh profile
Depuis 2020, le modèle d'apprentissage automatique des crues de Google Research — capable de prévoir le niveau des rivières même dans des bassins non jaugés — s'appuie sur les données du Bangladesh Water Development Board pour diffuser des alertes; en 2021, il touchait déjà 1,5 million d'utilisateurs, avec un délai d'alerte de trois heures à trois jours.
L'Office de développement hydraulique du Bangladesh (BWDB), l'agence hydrologique nationale, s'est associé à Google Research à partir de 2020 pour superposer un modèle d'IA/apprentissage automatique de prévision des inondations aux relevés des stations hydrométriques et aux prévisions du BWDB, étendant la prévision des crues aux affluents non jaugés des systèmes fluviaux du Brahmapoutre-Jamuna et du Padma, sujets aux inondations. Des alertes localisées sont envoyées aux habitants via la Recherche Google, Google Maps et les notifications Android.
Fournir des alertes précoces d'inondation avec un délai de préavis de trois heures à trois jours, y compris dans des bassins isolés dépourvus de réseaux de capteurs denses.
Le modèle hybride hydrologique-hydraulique d'apprentissage automatique de Google, décrit dans un article de Nature de mars 2024, est combiné aux données en temps réel des stations hydrométriques du BWDB et à des prévisions à 5 jours. Le système s'est étendu d'un projet pilote de 2020 couvrant 36 sous-districts dans 14 districts à 55 districts et 99 sous-districts d'ici la mousson de 2021.
Le projet pilote de 2020 a envoyé environ 1 million de notifications à quelque 300 000 utilisateurs Android. Entre le 13 et le 31 août 2021 seulement, le système étendu a envoyé 2,9 millions de notifications à 1,5 million d'utilisateurs uniques, avec un taux de clics de 3,5 %. Le modèle sous-jacent fonctionne désormais dans plus de 80 pays, touchant une estimation de 460 millions de personnes à l'échelle mondiale (un chiffre global, non spécifique au Bangladesh).
Les rapports de Google eux-mêmes reconnaissent la faible pénétration d'Android dans les zones isolées et exposées aux inondations que le système doit le plus atteindre, et décrivent des travaux en cours pour étendre les alertes via SMS et RVI aux utilisateurs de téléphones classiques. Aucune évaluation indépendante et spécifique au Bangladesh de la précision des prévisions par rapport aux inondations observées n'a été publiée.
Implementation detail (cost, timeline, staffing, conditions for success) is not yet available for this practice.
Where this practice's information was retrieved from, and when.
Nigeria
Nigeria's Hydrological Services Agency says it deployed deep-learning models trained on 200+ years of flood data for its 2026 Annual …
Singapore
Singapore's National Environment Agency runs a peer-reviewed machine-learning system that forecasts dengue cases up to three months ahead. In the …
Sierra Leone
Statistics Sierra Leone and the GRID3 partnership use machine-learning building-footprint detection on satellite imagery to map population at 1-hectare resolution, …
Togo
To rush COVID aid to the poorest, Togo used machine learning on satellite imagery and mobile-phone data to target cash …
Open full copilot Grounded in cited practices — always check the sources.