Une meilleure protection de l’homme et de l’environnement passe par des prévisions précises des phénomènes météorologiques extrêmes, comme les tempêtes hivernales. Des chercheurs de l’Institut de technologie de Karlsruhe (KIT) ont maintenant comparé les méthodes de statistiques et d’apprentissage automatique pour les prévisions de rafales de vent en vue de rendre les prévisions plus précises et fiables. Ils ont constaté que la prise en compte d’informations géographiques et de variables météorologiques supplémentaires, telles que la température, améliore considérablement la qualité des prévisions, en particulier lors de l’utilisation de méthodes d’IA modernes basées sur des réseaux de neurones.
De fortes rafales de vent, telles que des bourrasques d’une vitesse supérieure à 65 kilomètres à l’heure, peuvent causer de graves dommages et être dangereuses pour les humains, les animaux et les infrastructures. Pour émettre des avertissements efficaces, des prévisions précoces et fiables sont nécessaires. « Les rafales de vent sont difficiles à modéliser, car elles sont entraînées par des processus à petite échelle et sont localement limitées », explique Benedikt Schulz, doctorant à l’Institut de stochastique du KIT. « Leur prévisibilité avec les modèles numériques de prévision météorologique utilisés par les services météorologiques est limitée et sujette à des incertitudes. »
Pour mieux estimer ces incertitudes des prévisions, les météorologues font des prévisions d’ensemble. Sur la base de l’état actuel de l’atmosphère, ils effectuent plusieurs calculs de modèles en parallèle pour des conditions légèrement différentes. De cette manière, divers scénarios d’évolution météorologique future sont couverts. « Malgré des améliorations continues, cependant, ces prévisions météorologiques d’ensemble comportent toujours des erreurs systématiques, car les conditions locales variables dans le temps ne peuvent pas être prises en compte par les modèles », explique Schulz. « Avec l’aide de l’intelligence artificielle, nous voulons corriger ces erreurs systématiques, améliorer les prévisions et prévoir de manière plus fiable les phénomènes météorologiques dangereux. »
Des informations géographiques et des variables météorologiques supplémentaires améliorent la prévision des rafales de vent
Avec le Dr Sebastian Lerch, Schulz a pour la première fois comparé différentes statistiques et méthodes d’IA pour le post-traitement des prévisions d’ensemble des rafales de vent. « Nous avons analysé les méthodes existantes et nouvelles de post-traitement statistique des prévisions météorologiques numériques et comparé systématiquement leurs qualités de prévision », a déclaré Lerch. Il dirige le groupe de recherche junior « AI Methods for Probabilistic Weather Forecasts » financé par la Vector Foundation à l’Institut de recherche sur les politiques économiques du KIT.
Toutes les méthodes de post-traitement se sont avérées produire des prévisions fiables de la vitesse des rafales de vent. « Pourtant, les méthodes d’IA sont de loin supérieures aux approches statistiques classiques et produisent de bien meilleurs résultats, car elles permettent une meilleure prise en compte de nouvelles sources d’informations, telles que les conditions géographiques ou d’autres variables météorologiques, telles que la température et le rayonnement solaire », résume Lerch. « Les méthodes d’IA réduisent les erreurs de prévision des modèles météorologiques d’environ 36 % en moyenne », ajoute Schulz. Les chercheurs ont analysé les prévisions faites avec le modèle météorologique du Service météorologique allemand (DWD) dans 175 stations d’observation en Allemagne et ont constaté que les méthodes d’IA produisaient de meilleures prévisions dans plus de 92 % des stations. Les réseaux de neurones peuvent apprendre des relations complexes et non linéaires à partir des grands ensembles de données disponibles. Cela joue un rôle central lors de la correction des erreurs systématiques des prévisions d’ensemble. « L’analyse des informations qui sont particulièrement pertinentes pour les méthodes permet également de tirer des conclusions en ce qui concerne les processus météorologiques », a déclaré Schulz.
Par leurs travaux, les chercheurs contribuent au développement de méthodes de prévision météorologique à l’interface des statistiques et de l’IA. « Les services météorologiques pourraient utiliser ces méthodes pour améliorer leurs prévisions », déclare Lerch. « Pour cela, nous sommes en contact étroit avec les services météorologiques allemands et internationaux. »
Benedikt Schulz et al, Méthodes d’apprentissage automatique pour le post-traitement des prévisions d’ensemble des rafales de vent : une comparaison systématique, Revue météorologique mensuelle (2021). DOI : 10.1175/MWR-D-21-0150.1