Google Flood Hub — Bangladesh Water Development Board's AI-Powered River Flood Alert System
Bangladesh
Since 2020, Google Research's machine-learning flood model — which forecasts river levels even in ungauged basins — has combined with …
Nigeria · Abuja · See the Nigeria profile
L'Agence des services hydrologiques du Nigeria affirme avoir déployé des modèles d'apprentissage profond entraînés sur plus de 200 ans de données de crues pour ses Prévisions annuelles de crues 2026, citant une précision d'environ 88 % et signalant 14 118 communautés à haut risque — une affirmation largement relayée mais non encore vérifiée de manière indépendante.
La NIHSA est l'agence fédérale nigériane de prévision hydrologique, chargée des Prévisions annuelles de crues (AFO) du pays, qui classent chaque année les zones d'administration locale (LGA) selon un risque d'inondation élevé, modéré ou faible. Le Nigeria a subi de graves inondations ces dernières années, notamment en 2022 et 2024, ce qui a accru la pression pour moderniser la prévision au-delà des méthodes hydrologiques traditionnelles.
Dans des propos rapportés en mai 2026, le directeur général de la NIHSA, Umar Mohammed, a déclaré que l'agence a déployé des modèles d'intelligence artificielle et d'apprentissage profond entraînés sur plus de 200 ans de données historiques de crues, et que la précision des prévisions a atteint environ 88 %, ce qui, selon lui, dépasse les normes de l'Organisation météorologique mondiale. Les Prévisions annuelles de crues 2026, s'appuyant en partie sur cet outil et sur les plus de 250 stations de surveillance de la NIHSA, ont identifié 14 118 communautés réparties dans 266 LGA de 33 États et du Territoire de la capitale fédérale comme à haut risque d'inondation, et 15 597 communautés supplémentaires dans 405 LGA comme à risque modéré. La NIHSA indique que cela s'accompagne d'un nouveau système de signalement communautaire des crues et d'un dispositif de micro-assurance contre les inondations.
Cette affirmation a été relayée par l'agence de presse nationale du Nigeria et plusieurs médias nationaux (Guardian Nigeria, News Agency of Nigeria, EnviroNews Nigeria), lui assurant une diffusion sur plusieurs domaines de presse indépendants.
Toutes les sources repérées remontent au même point de presse de la NIHSA; aucune évaluation technique indépendante, étude évaluée par des pairs, ni audit externe du chiffre de 88 % de précision, de sa méthodologie, ou de ce que cette « précision » mesure réellement, n'a été trouvé. Contrairement à d'autres cas de prévision par IA, cette fiche repose sur un chiffre gouvernemental autodéclaré et amplifié par les médias nationaux plutôt que sur des preuves vérifiées de manière externe, et doit être lue en conséquence.
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.
Bangladesh
Since 2020, Google Research's machine-learning flood model — which forecasts river levels even in ungauged basins — has combined with …
Kenya
Researchers at the University of Sussex and Kenya's RCMRD built machine-learning models forecasting NDMA's official VCI3M drought indicator up to …
Switzerland
SPSP integrates AI-powered genomic analysis to detect pathogen variants across Switzerland. Mandated by the Federal Office of Public Health since …
Singapore
Singapore's National Environment Agency runs a peer-reviewed machine-learning system that forecasts dengue cases up to three months ahead. In the …
Open full copilot Grounded in cited practices — always check the sources.