La qualité des données territoriales conditionne la crédibilité des simulations de crise

La carte n’est pas le territoire

Une simulation devient crédible lorsque les participants reconnaissent les contraintes auxquelles ils auraient réellement à faire face : voies de circulation, secteurs exposés, établissements sensibles, densité de population, capacités d’accueil, réseaux, moyens disponibles et articulation entre communes. La simple présence d’un fond cartographique ne suffit pas. Une donnée localisée peut être exacte dans sa position et inadaptée dans son usage.

Le portail Géorisques donne accès à des bases ouvertes et à une interface de programmation permettant de consulter de nombreuses informations sur les risques naturels et technologiques¹. La base GASPAR recense notamment des procédures administratives relatives aux plans de prévention, aux reconnaissances de catastrophe naturelle, aux DDRM et aux DICRIM². Ces ressources sont précieuses pour préparer un exercice, mais elles ne décrivent pas à elles seules une crise en train de se produire. Elles documentent un environnement réglementaire et territorial à une date donnée.

De même, les données carroyées de l’Insee permettent d’approcher finement la répartition de la population. Leur documentation précise les règles de secret statistique, les traitements appliqués à certains carreaux et les limites de champ³. Une simulation peut s’appuyer sur cette granularité pour représenter des ordres de grandeur ou répartir une population fictive. Elle ne doit pas transformer une estimation statistique en liste de personnes supposées présentes au moment de l’exercice.

La première règle est donc de qualifier chaque donnée avant de l’utiliser : que représente-t-elle, qui l’a produite, à quelle date, à quelle échelle, avec quelle méthode et pour quelle finalité ? Sans ces informations, l’IA peut produire une synthèse fluide qui donnera une fausse impression de précision.

Construire une chaîne de provenance

Une simulation territorialisée devrait conserver, pour chaque élément déterminant, une chaîne de provenance. Celle-ci associe la source, la date de récupération, la licence, l’emprise géographique, l’échelle, la fréquence de mise à jour, les transformations réalisées et la version utilisée pendant la session.

Cette discipline répond à un besoin opérationnel de pédagogie. Si un participant conteste la localisation d’un établissement ou la capacité d’un équipement, le directeur d’exercice doit pouvoir distinguer trois situations : la donnée source est exacte, elle a été transformée pour les besoins du jeu, ou elle constitue une convention de simulation. Ces trois statuts sont légitimes, à condition d’être explicites.

La directive européenne INSPIRE vise précisément l’interopérabilité, le partage et la possibilité d’évaluer l’adéquation des données géographiques au but poursuivi⁴. Pour un simulateur, cette notion d’adéquation est plus importante que l’accumulation de couches. Une donnée très détaillée mais ancienne peut être moins utile qu’une donnée plus simple, mise à jour et correctement documentée.

L’IA peut soutenir cette chaîne de provenance en lisant les métadonnées, en harmonisant des noms de champs, en signalant des dates incohérentes ou en détectant que deux sources décrivent apparemment le même objet. La fusion ne doit toutefois pas être silencieuse. Lorsque deux bases divergent, le système doit conserver la divergence et la présenter à l’administrateur du scénario. Une contradiction visible se gère ; une contradiction effacée réapparaît pendant l’exercice sous la forme d’une erreur difficile à expliquer.

Distinguer donnée, hypothèse et convention de jeu

Tout scénario combine des éléments de nature différente. Une cote altimétrique issue d’un référentiel public est une donnée. La fermeture d’un pont à une heure déterminée peut être une hypothèse de scénario. Le nombre de personnes présentes dans une salle communale un soir d’exercice peut être une convention de jeu. Les présenter de la même manière affaiblit la confiance.

Une interface rigoureuse devrait donc afficher le statut de l’information. La source vérifiée peut être accompagnée de sa date. L’hypothèse peut être marquée comme telle et reliée à une règle d’évolution. La convention de jeu doit être connue de l’animation, même si elle n’est révélée aux joueurs qu’au moment prévu.

Cette distinction est particulièrement importante avec une IA générative. Celle-ci sait produire des détails plausibles. Or un nom de rue, une capacité d’hébergement ou un délai de déplacement inventé peut paraître crédible sans être exact. La CNIL recommande de vérifier la fiabilité, la qualité et l’intégrité des sources et de versionner les jeux de données utilisés par les systèmes d’IA⁵. Dans une simulation, cette recommandation se traduit par une règle simple : aucun détail local présenté comme réel ne doit provenir de la seule génération.

L’IA peut en revanche produire des éléments synthétiques clairement signalés : profils fictifs d’appelants, messages de population, demandes médiatiques, tensions logistiques ou réactions d’acteurs simulés. Ces données servent le jeu sans exposer inutilement des personnes réelles. La CNIL recommande d’ailleurs le recours à des données fictives ou de synthèse lorsque les données réelles ne sont pas nécessaires, notamment pour les tests et certains audits⁵.

Représenter les vulnérabilités sans profiler les habitants

La préparation territoriale exige de considérer les vulnérabilités : isolement, mobilité réduite, dépendance à un service, difficulté d’accès, exposition économique ou fragilité d’un réseau. Il serait pourtant dangereux de passer directement d’une statistique territoriale à une prédiction sur les comportements individuels.

Les données carroyées peuvent aider à construire des ordres de grandeur et à poser des questions logistiques. Elles ne permettent pas d’affirmer comment agiront les habitants d’un secteur. Une population n’est pas homogène, et le comportement en crise dépend de nombreux facteurs : perception du danger, confiance dans la source, compréhension des consignes, expérience antérieure, contraintes familiales et moyens disponibles.

Dans un simulateur pédagogique, il est préférable de créer une population synthétique composée de profils variés, sans correspondance avec des personnes identifiables. Ces profils peuvent servir à tester l’accessibilité d’un message, la capacité d’un centre d’accueil ou la gestion d’appels multiples. Ils doivent être conçus comme des hypothèses d’exercice et non comme un modèle prédictif des habitants du territoire.

Le principe de minimisation rappelé par la CNIL impose de limiter les données personnelles à ce qui est nécessaire à la finalité définie⁶. Pour la plupart des exercices de cellule, des données agrégées et des personnages fictifs suffisent. L’usage de listes nominatives réelles doit rester exceptionnel, justifié et encadré. Le réalisme pédagogique ne se confond pas avec la reproduction de fichiers opérationnels.

Prévoir l’obsolescence et le mode dégradé

Une donnée publique évolue. Une route change de statut, un établissement ferme, un plan est révisé, une API modifie son format ou une ressource devient temporairement indisponible. Le simulateur doit donc connaître la date de ses données et détecter les dépendances critiques.

Le Cerema souligne que la donnée traverse toutes les phases de la crise et que son usage sécurisé concerne une diversité d’acteurs : services de l’État, collectivités, SDIS, opérateurs et associations⁷. Cette pluralité rend indispensable une gouvernance partagée. Le propriétaire du scénario doit savoir quelles données sont maintenues automatiquement, lesquelles nécessitent une validation locale et lesquelles sont figées pour garantir la reproductibilité d’une session.

Figer un jeu de données au lancement d’un exercice présente un avantage : tous les participants travaillent sur la même référence et le rejeu reste possible. L’actualisation permanente présente un autre avantage : elle rapproche la préparation de l’état courant du territoire. Le bon choix dépend de l’objectif. Pour tester une organisation, une version maîtrisée est souvent préférable. Pour entraîner à qualifier une information évolutive, des flux actualisés peuvent être intégrés, sous réserve d’un mécanisme de repli.

Le mode dégradé doit être prévu. Si une source externe devient indisponible, l’exercice ne doit pas s’interrompre. Une copie datée, un scénario de repli et une information claire de l’animation permettent de poursuivre sans faire passer une donnée ancienne pour une donnée actuelle.

Faire de la donnée un objet pédagogique

La qualité d’un exercice ne dépend pas seulement de la qualité des données disponibles. Elle dépend de la manière dont les joueurs les qualifient. Une cellule de crise doit apprendre à distinguer le confirmé du probable, l’observé du rapporté, le fait de l’interprétation et l’absence d’information de l’absence d’effet.

Un simulateur peut matérialiser ces distinctions. Il peut associer à chaque information une source, une heure, un niveau de confirmation et les décisions qui s’y rattachent. L’IA peut proposer des rapprochements, relever une contradiction ou suggérer une question de vérification. Elle éclaire ainsi le travail de la cellule sans fixer la conduite à tenir.

La territorialisation prend alors tout son sens. Elle ne sert pas uniquement à rendre l’écran familier. Elle confronte les acteurs aux dépendances propres à leur territoire, tout en leur apprenant à garder une distance critique vis-à-vis de l’information disponible.

Une donnée correctement sourcée peut être discutée. Une hypothèse clairement annoncée peut être jouée. Une convention assumée peut servir l’apprentissage. La difficulté commence lorsque ces trois catégories se confondent. La crédibilité d’un simulateur repose moins sur la quantité d’informations affichées que sur la capacité à dire d’où elles viennent, ce qu’elles signifient et jusqu’où elles peuvent être utilisées.

Sources et références

1. Ministère de la Transition écologique, Géorisques — Accéder à la carte interactive, aux bases de données et à l’API, https://www.georisques.gouv.fr/acceder-la-carte-interactive-aux-bases-de-donnees-et-lapi ↩

2. Ministère de la Transition écologique, Base nationale de Gestion ASsistée des Procédures Administratives relatives aux Risques (GASPAR), data.gouv.fr, https://www.data.gouv.fr/datasets/base-nationale-de-gestion-assistee-des-procedures-administratives-relatives-aux-risques-gaspar ↩

3. Insee, Recensement de la population en 2021 — Données carroyées, 2024, https://www.insee.fr/fr/statistiques/8272002 ↩

4. Parlement européen et Conseil de l’Union européenne, Directive 2007/2/CE établissant une infrastructure d’information géographique dans la Communauté européenne (INSPIRE), 2007, https://eur-lex.europa.eu/legal-content/fr/TXT/?uri=CELEX%3A32007L0002 ↩

5. CNIL, IA : garantir la sécurité du développement d’un système d’IA, 2025, https://www.cnil.fr/fr/ia-garantir-la-securite-du-developpement ↩ ↩²

6. CNIL, IA : tenir compte de la protection des données dans la conception du système, 2024, https://www.cnil.fr/fr/tenir-compte-de-la-protection-des-donnees-dans-la-conception-du-systeme ↩

7. Cerema, Données en crise : la gestion de la donnée au fil de la crise — Retour sur la journée technique du 14 novembre 2024, 2024, https://www.cerema.fr/fr/actualites/donnees-crise-gestion-donnee-au-fil-crise-retour-journee ↩