Alors que le changement climatique entraîne des précipitations extrêmes plus fréquentes et plus intenses, il devient de plus en plus essentiel de prévoir avec précision les précipitations pendant la saison des crues.
Une étude récente a utilisé des algorithmes d’apprentissage automatique (ML) pour relever les défis non linéaires auxquels sont confrontés les modèles traditionnels dans la prévision des précipitations en saison des crues, ce qui a permis d’améliorer considérablement la précision. Les résultats ont été publiés dans Progrès des sciences atmosphériques.
Les prévisions actuelles concernant les précipitations en saison des crues reposent en grande partie sur les résultats des modèles numériques du système climatique, qui contiennent souvent des biais systématiques. Pour corriger ces résultats et réduire les erreurs, les chercheurs combinent traditionnellement des données d’observation historiques avec des méthodes statistiques.
Cette approche, connue sous le nom de méthode statistique-dynamique, a ses limites. Les erreurs de prédiction des modèles numériques ont tendance à croître de manière non linéaire avec le temps, et les méthodes de correction traditionnelles, qui reposent principalement sur des approches linéaires, ont du mal à corriger efficacement ces erreurs.
Reconnaissant la force de ML dans la gestion des relations non linéaires, l’étude a appliqué l’algorithme LightGBM pour améliorer la méthode de correction dynamique-statistique. Dans les essais menés de 2019 à 2022, les prédictions se sont considérablement améliorées, le score de prédiction (PS) passant de 68,6 à 74, soit une amélioration de 7,87 %. Cela représente une amélioration de 6,63 % par rapport aux méthodes statistiques dynamiques traditionnelles, augmentant considérablement la précision des prévisions des précipitations pendant la saison des crues.
De nombreuses méthodes d’apprentissage automatique basées sur les données utilisées pour la prévision climatique manquent souvent d’interprétabilité physique suffisante. Pour résoudre ce problème, les chercheurs ont soigneusement sélectionné des facteurs météorologiques ayant des liens physiques clairs avec les précipitations et les ont intégrés dans le modèle du système climatique. L’équipe a également quantifié la contribution de chaque facteur de prévision, offrant ainsi une compréhension plus claire de la signification physique des prédicteurs utilisés.
L’étude met l’accent sur un point clé : s’appuyer uniquement sur des modèles physiques ou des modèles ML pour améliorer les prévisions des précipitations en saison des crues présente des limites inhérentes. Cette étude explore une méthode de prévision climatique qui intègre efficacement le ML aux modèles physiques.
Les domaines en évolution rapide de l’intelligence artificielle et du big data offrent de nouvelles opportunités pour optimiser et affiner les résultats des modèles, en relevant des défis non linéaires et complexes que les méthodes statistiques dynamiques traditionnelles ne peuvent pas résoudre.
Cette étude a proposé une approche réalisable pour développer la méthode statistique dynamique traditionnelle en une méthode ML dynamique.
Malgré les progrès, des défis demeurent.
« Nos prochaines étapes se concentreront sur l’extraction de signaux préexistants et en temps réel issus de la recherche sur les mécanismes de formation des précipitations en saison des crues afin de développer une méthode de ML dynamique avec une interprétabilité physique plus forte », a déclaré le Dr Yu Haipeng, l’auteur correspondant du Northwest Institute of Eco. -Environnement et ressources de l’Académie chinoise des sciences.
Cette recherche marque une avancée significative dans la prévision des précipitations et offre des informations précieuses pour le développement de futures méthodes météorologiques intégrant l’intelligence artificielle et le big data.
« Notre objectif ultime est de créer un système efficace, stable et interprétable combinant des modèles de système climatique et des techniques d’apprentissage automatique pour prédire les précipitations pendant la saison des inondations, contribuant ainsi à atténuer les impacts des précipitations extrêmes et des catastrophes associées », a déclaré le Dr Yu.
À mesure que la technologie continue de progresser, l’intégration de mécanismes physiques aux méthodes de prévision basées sur l’apprentissage automatique offre un grand potentiel pour relever les défis posés par le changement climatique.
Plus d’informations :
Bofei Zhang et al, Une méthode de correction des contraintes observationnelles basée sur l’apprentissage automatique pour la prévision des précipitations saisonnières, Progrès des sciences atmosphériques (2024). DOI : 10.1007/s00376-024-4191-x