Système d’apprentissage profond capable de prédire avec précision les conditions météorologiques extrêmes

Les ingénieurs de l’Université Rice ont développé un système d’apprentissage profond capable de prédire avec précision les événements météorologiques extrêmes jusqu’à cinq jours à l’avance. Le système, qui s’est enseigné lui-même, n’a besoin que de peu d’informations sur les conditions météorologiques actuelles pour faire ces prédictions.

Une partie de la formation du système consiste à examiner des centaines de paires de cartes, et chaque carte indique les températures de surface et les pressions atmosphériques à une hauteur de cinq kilomètres. Ces conditions sont présentées plusieurs jours à l’avance. La formation présente également des scénarios qui ont produit des conditions météorologiques extrêmes, telles que des vagues de chaleur et des tempêtes hivernales qui peuvent causer des vagues de chaleur et des tempêtes hivernales. Après avoir terminé la formation, le système d’apprentissage profond a pu faire des prévisions de conditions météorologiques extrêmes à cinq jours sur la base de cartes qu’il n’avait pas vues auparavant, avec un taux de précision de 85%.

Selon Pedram Hassanzadeh, co-auteur de l’étude qui a été publiée en ligne dans le Journal of Advances in Modeling Earth Systems de l’American Geophysical Union, le système pourrait être utilisé comme outil et servir d’avertissement précoce pour les prévisionnistes météorologiques. Il sera particulièrement utile pour en apprendre davantage sur certaines conditions atmosphériques qui provoquent des conditions météorologiques extrêmes.

En raison de l’invention de la prévision numérique du temps (PNT) basée sur ordinateur dans les années 1950, les prévisions météorologiques quotidiennes ont continué à s’améliorer. Cependant, la PNT n’est pas en mesure de faire des prévisions fiables sur les événements météorologiques extrêmes, tels que les vagues de chaleur.

“Il se peut que nous ayons besoin de supercalculateurs plus rapides pour résoudre les équations de la PNT à des résolutions plus élevées”, a déclaré Hassanzadeh, professeur agrégé de génie mécanique et de sciences de la Terre, de l’environnement et des planètes à l’Université Rice. “Mais parce que nous ne comprenons pas pleinement la physique et les conditions préalables des modèles de temps extrêmes, il est également possible que les équations ne soient pas entièrement exactes et qu’elles ne produisent pas de meilleures prévisions, peu importe la puissance de calcul que nous y mettons.”

En 2017, Hassanzadeh a été rejoint par les co-auteurs de l’étude et les étudiants diplômés Ashesh Chattopadhyay et Ebrahim Nabizadeh. Ensemble, ils ont pris un chemin différent.

“Lorsque vous obtenez ces vagues de chaleur ou de froid, si vous regardez la carte météorologique, vous verrez souvent un comportement étrange dans le jet stream, des choses anormales comme de grandes vagues ou un grand système de haute pression qui ne bouge pas du tout”, a déclaré Hassanzadeh. “Il semblait que c’était un problème de reconnaissance de modèles. Nous avons donc décidé d’essayer de reformuler la prévision des conditions météorologiques extrêmes comme un problème de reconnaissance de modèles plutôt que comme un problème numérique.”

“Nous avons décidé de former notre modèle en lui montrant beaucoup de modèles de pression dans les cinq kilomètres au-dessus de la Terre, et en lui disant, pour chacun, ‘Celui-ci n’a pas provoqué de conditions météorologiques extrêmes. Celui-ci a provoqué une vague de chaleur en Californie. Celui-ci n’a rien provoqué. Celui-ci a provoqué une vague de froid dans le Nord-Est'”, a continué Hassanzadeh. “Rien de spécifique comme Houston contre Dallas, mais plus une idée de la zone régionale.”

Avant les ordinateurs, la prévision analogique était utilisée pour la prévision météorologique. Elle était faite de manière très similaire au nouveau système, mais c’étaient des humains et non des ordinateurs.

“Une façon de faire des prévisions avant les ordinateurs, c’était de regarder le modèle de système de pression d’aujourd’hui, puis d’aller à un catalogue de modèles précédents et d’essayer de trouver un analogue, un modèle très similaire”, a déclaré Hassanzadeh. “Si celui-ci a conduit à la pluie sur la France après trois jours, la prévision serait de pluie en France.”

Maintenant, les réseaux de neurones peuvent apprendre seuls et ne nécessitent pas nécessairement de compter sur les humains pour trouver des connexions.

“Ça n’avait pas d’importance que nous ne comprenions pas pleinement les précurseurs, car le réseau de neurones a appris à trouver ces connexions lui-même”, a déclaré Hassanzadeh. “Il a appris quels modèles étaient critiques pour les conditions météorologiques extrêmes et il les a utilisés pour trouver le meilleur analogue.”

Pour tester leur concept, l’équipe s’est appuyée sur des données issues de simulations informatiques réalistes. Ils ont initialement signalé des résultats préliminaires avec un réseau de neurones convolutionnel, mais l’équipe a ensuite opté pour des réseaux de neurones à capsule. Les réseaux de neurones convolutionnels ne sont pas en mesure de reconnaître les relations spatiales relatives, mais les réseaux de neurones à capsule le peuvent. Ces relations spatiales relatives sont importantes lorsqu’il s’agit de l’évolution des modèles météorologiques.

“Les positions relatives des modèles de pression, les hauts et les bas que l’on voit sur les cartes météorologiques, sont le facteur clé pour déterminer comment la météo évolue”, a déclaré Hassanzadeh.

Les réseaux de neurones à capsule nécessitent également moins de données de formation que les réseaux de neurones convolutionnels.

L’équipe continuera à travailler sur le système pour qu’il puisse être utilisé dans la prévision opérationnelle, mais Hassanzadeh espère qu’il conduira finalement à des prévisions plus précises pour les conditions météorologiques extrêmes.

“Nous ne suggérons pas que, à la fin de la journée, cela remplacera la PNT”, a-t-il déclaré. “Mais cela pourrait être un guide utile pour la PNT. Computationnellement, cela pourrait être un moyen très économique de fournir des conseils, un avertissement précoce, qui permet de concentrer les ressources de la PNT spécifiquement où les conditions météorologiques extrêmes sont susceptibles de se produire.”

“Nous voulons exploiter les idées de l’intelligence artificielle explicative pour interpréter ce que fait le réseau de neurones”, a-t-il déclaré. “Cela pourrait nous aider à identifier les précurseurs des modèles de temps extrêmes et à améliorer notre compréhension de leur physique.”