Une équipe de recherche s’est concentrée sur l’événement de précipitations extrêmes du « 21·7 » dans le Henan en 2021. En analysant les caractéristiques physiques anormales et en comprenant les biais de prévision multi-modèles, ils ont considérablement amélioré la précision des prévisions d’intensité des précipitations. Cette amélioration a été obtenue en intégrant des mesures d’optimisation et des contraintes mieux adaptées aux caractéristiques physiques et aux données des précipitations dans la fonction de perte du réseau neuronal.
Plus précisément, en utilisant la moyenne TS multiseuil non différentiable comme fonction de perte et BIAS comme contrainte, l’équipe de recherche a optimisé les paramètres du modèle à l’aide d’un algorithme évolutionnaire immunitaire d’optimisation multi-objectif. Cette approche a permis d’obtenir des résultats significatifs à la fois dans la correction en temps quasi réel des prévisions d’événements pluvieux extrêmes du « 21·7 » et dans la correction basée sur des séquences de précipitations historiques à long terme.
Le modèle, en apprenant la relation entre les caractéristiques physiques anormales et les fortes précipitations, a considérablement amélioré l’intensité des prévisions de précipitations. Cependant, l’ajustement de la distribution des précipitations s’est avéré difficile et a souvent donné lieu à de nombreuses fausses alarmes. Cela est dû aux informations à grande échelle contenues dans la circulation anormale stable et les caractéristiques physiques lors des événements de précipitations extrêmes, qui correspondent aux biais de précipitations du modèle, associés à la rareté des échantillons de précipitations extrêmes, ce qui a conduit à l’utilisation d’algorithmes moins complexes.
En utilisant l’apprentissage automatique pour intégrer plusieurs prévisions de précipitations, il est possible d’extraire les avantages des structures détaillées de chaque prévision, améliorant ainsi considérablement la précision des prévisions de distribution des précipitations. Cependant, l’amélioration de l’intensité des précipitations reste limitée. L’intégration de prévisions multi-modèles « bonnes et différentes » avec des caractéristiques anormales appropriées peut permettre un ajustement complet de la distribution et de l’intensité des précipitations.
Les recherches futures devraient se concentrer sur la manière d’utiliser pleinement les observations multi-sources provenant de satellites, de radars et d’autres instruments pour comprendre les caractéristiques biaisées et les causes physiques des prévisions de précipitations multi-modèles. Il vaut la peine d’explorer l’introduction de caractéristiques multi-modèles de plus grande dimension et de caractéristiques physiques anormales étroitement liées aux fortes précipitations.
Le développement de modèles de réseau qui représentent de manière exhaustive les informations multi-modèles et les caractéristiques anormales, réalisant ainsi une intégration profonde des technologies physiques et intelligentes, est une orientation cruciale pour améliorer la prévision des fortes précipitations à l’avenir.
Le papier est publié dans le journal Sciences Chine Sciences de la TerreCette étude a été dirigée par le professeur Qi Zhong et le professeur Xiuping Yao du Centre de formation de l’administration météorologique de Chine, et l’ingénieur adjoint Zhicha Zhang de l’Observatoire météorologique du Zhejiang, ainsi que d’autres membres de l’équipe de recherche.
Plus d’informations :
Qi Zhong et al., Prévisions améliorées grâce à l’apprentissage automatique guidé par la physique, comme l’illustre l’événement de pluies extrêmes « 21·7 » dans le Henan, Sciences Chine Sciences de la Terre (2024). DOI : 10.1007/s11430-022-1302-1