Le modèle d’apprentissage automatique aide les prévisionnistes à améliorer la confiance dans la prévision des tempêtes

Lorsque des conditions météorologiques extrêmes se préparent et que des dangers mortels tels que de fortes pluies, de la grêle ou des tornades sont possibles, un avertissement préalable et des prévisions précises sont de la plus haute importance. Les météorologues de la Colorado State University ont fourni aux météorologues un nouvel outil puissant pour améliorer la confiance dans leurs prévisions et potentiellement sauver des vies.

Au cours des dernières années, Russ Schumacher, professeur au Département des sciences de l’atmosphère et climatologue de l’État du Colorado, a dirigé une équipe développant un modèle d’apprentissage automatique sophistiqué pour faire progresser la prédiction habile des conditions météorologiques dangereuses à travers les États-Unis continentaux. D’abord formé sur des enregistrements historiques de précipitations excessives, le modèle est maintenant suffisamment intelligent pour faire des prédictions précises d’événements tels que les tornades et la grêle quatre à huit jours à l’avance – le point crucial pour les prévisionnistes pour diffuser des informations au public afin qu’ils puissent se préparer. Le modèle s’appelle CSU-MLP, ou Colorado State University-Machine Learning Probabilities.

Dirigée par le chercheur scientifique Aaron Hill, qui travaille à affiner le modèle depuis plus de deux ans, l’équipe a récemment publié sa capacité de prévision à moyen terme (quatre à huit jours) dans la revue American Meteorological Society. Météo et prévisions.

Travailler avec les prévisionnistes du Storm Prediction Center

Les chercheurs ont maintenant fait équipe avec des prévisionnistes du Centre national de prévision des tempêtes à Norman, dans l’Oklahoma, pour tester le modèle et l’affiner en fonction des considérations pratiques des prévisionnistes météorologiques réels. L’outil ne remplace pas les compétences inestimables des prévisionnistes humains, mais fournit plutôt une mesure agnostique et renforçant la confiance pour aider les prévisionnistes à décider s’il convient d’émettre des avertissements publics sur les conditions météorologiques potentielles.

« Nos modèles statistiques peuvent profiter aux prévisionnistes opérationnels en tant que produits d’orientation, et non en remplacement », a déclaré Hill.

Israel Jirak est officier scientifique et des opérations au Storm Prediction Center et co-auteur de l’article. Il a qualifié la collaboration avec l’équipe CSU de « projet de recherche aux opérations très réussi ».

« Ils ont développé des conseils probabilistes sur les phénomènes météorologiques violents basés sur l’apprentissage automatique qui sont statistiquement fiables et habiles tout en étant également pratiques pour les prévisionnistes », a déclaré Jirak. Les prévisionnistes de l’Oklahoma utilisent quotidiennement le produit d’orientation de la CSU, en particulier lorsqu’ils doivent émettre des prévisions météorologiques extrêmes à moyen terme.

Neuf ans de données météorologiques historiques

Le modèle est formé sur un très grand ensemble de données contenant environ neuf ans d’observations météorologiques historiques détaillées sur la partie continentale des États-Unis. Ces données sont combinées avec des prévisions météorologiques rétrospectives, qui sont des « re-prévisions » de modèles créées à partir des résultats d’événements météorologiques passés. Les chercheurs du CSU ont extrait les facteurs environnementaux de ces prévisions de modèles et les ont associés à des événements passés de temps violent comme des tornades et de la grêle. Le résultat est un modèle qui peut fonctionner en temps réel avec les événements météorologiques actuels et produire une probabilité de ces types de dangers avec un délai de quatre à huit jours, en fonction des facteurs environnementaux actuels tels que la température et le vent.

doctorat Allie Mazurek, étudiante, travaille sur le projet et cherche à comprendre quelles entrées de données atmosphériques sont les plus importantes pour les capacités prédictives du modèle. « Si nous pouvons mieux décomposer la façon dont le modèle fait ses prédictions, nous pourrons, espérons-le, mieux diagnostiquer pourquoi les prédictions du modèle sont bonnes ou mauvaises lors de certaines configurations météorologiques », a-t-elle déclaré.

Hill et Mazurek s’efforcent de rendre le modèle non seulement plus précis, mais aussi plus compréhensible et transparent pour les prévisionnistes qui l’utilisent.

Pour Hill, il est très gratifiant de savoir que des années de travail pour affiner l’outil d’apprentissage automatique font maintenant une différence dans un cadre public et opérationnel.

« J’aime la recherche fondamentale. J’aime comprendre de nouvelles choses sur notre atmosphère. Mais avoir un système qui fournit des avertissements améliorés et des messages améliorés autour de la menace de phénomènes météorologiques violents est extrêmement gratifiant », a déclaré Hill.