Utiliser le deep learning pour prédire les précipitations imminentes

Utiliser le deep learning pour prédire les précipitations imminentes

Des données d’entrée. Crédit : Bakkay et al.

Les modèles d’apprentissage en profondeur se sont avérés très efficaces pour analyser de grandes quantités de données et prédire avec précision les événements futurs. Cela les rend avantageux pour un large éventail d’applications, y compris les prévisions météorologiques.

Alors que les météorologues peuvent désormais prévoir assez bien les tendances météorologiques générales pour les deux à trois prochains jours, le changement climatique a entraîné une augmentation des événements météorologiques extrêmes inattendus, notamment des orages, des tempêtes de grêle et des ouragans. Prévoir avec précision ces événements météorologiques soudains quelques heures à l’avance pourrait aider à s’y préparer, limitant potentiellement leur impact et leurs conséquences néfastes.

Des chercheurs de l’IRT AESE Saint Exupéry et de Météo-France ont récemment développé trois réseaux de neurones profonds pour prédire les précipitations imminentes. Ces réseaux, présentés dans un article prépublié sur arXiv, pourraient permettre aux météorologues, aux gouvernements, aux organisateurs d’événements sportifs et à d’autres organisations de prédire l’occurrence de tempêtes, d’ouragans et d’autres événements météorologiques extrêmes une à six heures à l’avance.

“Nous proposons l’utilisation de trois modèles d’apprentissage en profondeur populaires (U-net, ConvLSTM et SVG-LP) formés sur des cartes de précipitations bidimensionnelles pour la prévision immédiate des précipitations”, ont écrit les chercheurs dans leur article. “Nous avons également proposé un algorithme d’extraction de patchs pour obtenir des cartes de précipitations à haute résolution.”

Aujourd’hui, la plupart des prévisions météorologiques à long terme reposent sur des modèles numériques capables de simuler des processus physiques atmosphériques à l’aide d’images du ciel, de données radar et d’autres données atmosphériques disponibles. Bien que ces méthodes puissent prédire les précipitations avec une bonne précision, elles nécessitent souvent des calculs approfondis et prennent donc beaucoup de temps pour faire des prévisions. En conséquence, ces méthodes ne fonctionnent souvent pas aussi bien sur la prévision immédiate des précipitations ou la prévision des précipitations imminentes.

Utiliser le deep learning pour prédire les précipitations imminentes

Deux exemples de prévisions de précipitations. Rangée du haut : Vérité terrain ; deuxième rangée : modèle U-net ; troisième rangée : modèle ConvLSTM ; rangée du bas : modèle SVG-LP. Les résultats pour le réseau représentent 6 sorties du modèle. Crédit : Bakkay et al.

L’objectif clé des travaux récents de Mohamed Chafik Bakkay et de ses collègues de l’IRT AESE Saint Exupéry et de Météo-France était de développer des réseaux de neurones profonds capables de s’attaquer à la prévision immédiate des précipitations plus efficacement que les modèles numériques de prévision météorologique. Dans leur article, ils ont présenté trois modèles différents, à savoir un U-net, un ConvLSTM et un réseau SVG-LP.

Les trois réseaux ont été formés sur un jeu de données contenant 20 352 images haute résolution capturées par Météo-France à l’aide de la technologie d’écho radar entre 2017 et 2018. Ces images couvraient une zone d’environ 1000 x 1000 km2 En France.

Comme l’alimentation directe des cartes de précipitations haute résolution aux réseaux de neurones profonds saturerait le GPU d’un ordinateur, les chercheurs ont également développé un algorithme d’extraction de patchs qui peut les partitionner en 256 x 256 patchs. Au lieu de prédire les précipitations pour l’ensemble des cartes, les réseaux peuvent alors apprendre à faire des prédictions sur ces parcelles spécifiques. Enfin, ils ont également développé un algorithme de fonction de perte qui améliore la qualité des images traitées par les réseaux de neurones, les rendant moins floues.

Bakkay et ses collègues ont évalué les performances des trois modèles qu’ils ont développés dans une série de tests, comparant la qualité des reconstructions qu’ils ont produites et la précision de leurs prédictions. Ils ont constaté que si les trois modèles capturaient bien l’évolution des champs de précipitations, le modèle U-Net, qui est une architecture de réseau neuronal convolutionnel (CNN), fonctionnait mieux que les deux autres modèles.

“La méthode basée sur CNN surpasse les modèles basés sur RNN”, ont écrit les chercheurs dans leur article. “Il est capable de générer une valeur élevée de précipitations et de prédire plus précisément le contour des précipitations futures. De plus, ConvLSTM surpasse SVG-LP, mais il a tendance à brouiller les images ultérieures.”

À l’avenir, l’architecture U-Net développée par cette équipe de chercheurs pourrait être utilisée pour développer des outils plus efficaces pour prédire les précipitations et les orages imminents. De plus, leurs travaux pourraient inspirer d’autres équipes à développer des modèles similaires pour prédire les événements météorologiques extrêmes.


Google affirme que ses prévisions météorologiques à court terme “nowcast” sont plus précises que les modèles avancés


Plus d’information:
Mohamed Chafik Bakkay, Prévision immédiate des précipitations à l’aide d’un réseau de neurones profonds. arXiv:2203.13263v1 [cs.LG]arxiv.org/abs/2203.13263

© 2022 Réseau Science X

Citation: Utiliser l’apprentissage en profondeur pour prédire les précipitations imminentes (8 avril 2022) récupéré le 8 avril 2022 sur https://techxplore.com/news/2022-04-deep-imminent-precipitations.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.