Basée sur le « deep learning », elle s’appuie sur des modèles statistiques englobant de nombreux paramètres, et s’enrichit de multiples données. Cette approche probabiliste diffère des prévisions traditionnelles, basées sur les lois de la physique, et utilisées notamment pour les bulletins météorologiques. À partir des conditions environnementales, telles que l’humidité des sols et l’état de l’atmosphère, l’IA associe une probabilité à l’arrivée d’une vague de chaleur extrême, jusqu’à un mois avant son apparition. L’équipe de recherche a entraîné cette technologie sur 8 000 ans, simulés grâce au modèle climatique PlaSim de l’université Hambourg. L’IA a également l’avantage de fournir un modèle statistique qui fait une prédiction en quelques secondes, et d’avoir un usage complémentaire aux prévisions météorologiques classiques ou aux modèles climatiques, dans la prévision des phénomènes rares. Néanmoins, l’étude insiste sur un point : pour que l’IA soit fiable, elle a besoin d’un grand nombre de données pour s’enrichir. Ces événements étant rares, peu d’informations sont disponibles. Pour pallier cette faiblesse, les scientifiques vont/comptent conjuguer cette IA avec des algorithmes de simulations d’événements rares, conçus par eux il y a cinq ans, afin d’obtenir une prévision optimale

Carte utilisée pour l’apprentissage de l’IA. Elle montre les anomalies de température (rouge plus chaud que bleu) et pression atmosphérique (lignes) pour une situation atmosphérique typique.

Pour en savoir plus

Référence
Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data. George Miloshevich, Bastien Cozian, Patrice Abry, Pierre Borgnat, et Freddy Bouchet. Physical Review Fluids, le 4 avril 2023.

Contacts
Freddy Bouchet, Laboratoire de Météorologie Dynamique (LMD-IPSL) •
George Miloshevich, Laboratoire des Sciences du Climat et de l’Environnement (LSCE-IPSL) •

Source
CNRS