Selon le Bureau des Nations unies pour la réduction des risques de catastrophe (2025), le coût annuel moyen des catastrophes naturelles est passé de 70–80 milliards de dollars américains entre 1970 et 2000 à 180–200 milliards de dollars américains entre 2001 et 2020. Des rapports d’organisations telles que l’IFOA et le WWF soulignent la nécessité pour le secteur de l’assurance de s’adapter à ce contexte en rapide évolution, en développant des stratégies de moyen et long terme allant au-delà de l’horizon annuel des réglementations prudentielles telles que Solvabilité II.

Ce travail introduit un cadre d’intelligence artificielle fondé sur les GAN conditionnels, afin de générer des trajectoires spatio-temporelles futures d’indices climatiques. L’approche se concentre sur le Soil Wetness Index (SWI), un indicateur clé utilisé en France pour évaluer la sévérité des sécheresses. La sécheresse représente environ 30 % des indemnités versées au titre du régime français d’indemnisation des catastrophes naturelles.

Le modèle proposé, SwiGAN, simule des schémas plausibles de propagation de la sécheresse jusqu’en 2050 pour une région de France particulièrement exposée à cet aléa. En générant des séquences réalistes de cartes de SWI, SwiGAN permet de mieux comprendre la dynamique des sécheresses dans le cadre de scénarios de changement climatique et contribue à la conception de stratégies adaptatives de gestion des risques et d’assurance.

La méthodologie proposée est également généralisable à d’autres périls liés au climat ainsi qu’à d’autres applications actuarielles, telles que la génération de scénarios économiques.

Replay disponible ici : https://www.youtube.com/watch?v=Ez7HGseFvjQ