L'intelligence artificielle pour prévoir les épisodes caniculaires

Des scientifiques français ont développé une intelligence artificielle capable de prévoir les épisodes caniculaires environ un mois à l’avance.

Les canicules sont des phénomènes climatiques difficiles à prédire. Une équipe de scientifiques français du CNRS, du CEA et de l’Université Claude Bernard Lyon 1 a décidé de relever ce défi, en mettant au point une intelligence artificielle fondée sur le « deep learning » qui peut prédire les vagues de chaleur extrême jusqu’à un mois avant leur apparition.

Les méthodes de prévision météorologiques actuelles sont fondées sur des données historiques et des modèles physiques, toutefois ces approches peuvent être limitées par le manque de données et la complexité des processus physiques sous-jacents. C’est là que l’IA développée par les scientifiques français entre en jeu. En se basant sur de nombreux paramètres environnementaux et en s’enrichissant de multiples données, elle offre une approche « probabiliste » capable de prédire ces événements à l’avance.

Pour leur modèle, les chercheurs ont utilisé des réseaux neuronaux convolutifs (CNN) afin d’extraire des caractéristiques temporelles et spatiales des données de température de surface de la mer. L’IA a été ainsi entraînée sur 8 000 ans de simulations climatiques grâce au modèle PlaSim de l’université Hambourg. Résultat : un modèle statistique qui réalise une prédiction en quelques secondes et complémentaire aux prévisions météorologiques classiques.

Carte utilisée pour l’apprentissage de l’IA. Crédit : Freddy Bouchet

Dans cette étude, les prévisions probabilistes ont été générées en utilisant une méthode de quantile de réseau de neurones (NQQ) qui fournit des intervalles de confiance pour les prévisions. Cependant, si les résultats montrent que les CNN peuvent identifier les régimes de température qui sont associés à des vagues de chaleur extrêmes et produire des prévisions probabilistes précises pour ces événements rares, les auteurs soulignent également l’importance d’un grand nombre de données pour que l’IA soit fiable.