logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
20 janvier 2022
A la Une, DAP, Innovation en action, News
#deeplearning, #ia, #météo

Quand l’IA améliore la prévision météo

⏱ 3 min

Un programme de deep learning développé par DeepMind va améliorer la prévision immédiate d’évènements pluvieux pour Met Office, la météo britannique. Une avancée pratique qui illustre l’apport grandissant de l’IA dans la prévision météorologique.

« Fort risque de pluie d’ici 20 minutes, le match pourrait être interrompu. » Les aficionados de Roland Garros ou de la F1 sont habitués à la prévision météo immédiate, qui consiste à prévoir à très court terme (moins de deux heures) la survenue d’épisodes météo intenses. C’est sur ce créneau bien précis que DeepMind vient d’apporter une avancée significative. La filiale d’Alphabet (par ailleurs détenteur de Google), qui s’est déjà fait remarquer avec son AlphaFold qui « replie les protéines », un problème majeur de la biologie moléculaire, a cette fois développé un outil de deep learning baptisé DGMR capable de prédire la probabilité de pluie imminente à partir des images radar du ciel avec une meilleure fiabilité que les modèles de l’état de l’art. La performance, publiée1 dans Nature, a été validée par des experts de Met Office, le service météo britannique.

Historiquement, la prédiction immédiate s’appuyait presque exclusivement sur des analystes humains qui exploitaient des données radar pour prédire la course des nuages et leur évolution. Depuis une vingtaine d’années, des méthodes dites « d’advection » basées sur des modèles atmosphériques, sont venues compléter cette expertise. Ce type de modèle construit sa prédiction sur une translation des images radar en 2D des nuages, en fonction des données de direction et force des vents. « Malgré tout, cette méthode reste limitée car les images 2D ne permettent pas toujours d’extrapoler correctement l’évolution des nuages en 3D. La prévision pêche notamment sur l’intensité des précipitations », précise Vincent-Henri Peuch, directeur du service de surveillance de l’atmosphère au Centre européen pour les prévisions météorologiques à moyen terme (ECMWF en anglais).

DES GAN QUI FONT LA PLUIE ET LE BEAU TEMPS

Pour pallier ce problème, le modèle DGMR de DeepMind a été entraîné sur une grande quantité d’images radar issues de la météo britannique en 2017 et 2018, puis exploité en mode Generative Adversarial Network (GAN). Il s’agit de cette technologie rendue fameuse pour sa capacité à produire des deepfakes, qui excelle par exemple à générer la suite d’une séquence vidéo à partir des images précédentes. Les prévisions proposées par le GAN ont été comparées aux données météo réelles pour l’année 2019, ainsi qu’à d’autres modèles prédictifs relevant de l’état de l’art, dont l’advection et un autre programme de deep learning. Le modèle de DeepMind a été classé premier en termes d’utilité et de de précision dans 89 % des cas par un panel de 50 prévisionnistes météorologiques. « Ce résultat n’est pas conceptuellement révolutionnaire car de nombreux modèles d’IA ont été proposés récemment pour enrichir la prévision immédiate. Mais c’est un bon exemple d’amélioration opérationnelle développée avec un service météo national, là où beaucoup de programmes d’IA, prometteurs en théorie, ne trouvent pas vraiment d’application concrète », salue Vincent-Henri Peuch.

Tout n’est pas non plus parfait. « La prédiction de précipitations intenses à des échéances lointaines reste difficile pour toutes les approches », écrivent les auteurs de la publication. Il n’empêche : ces travaux illustrent la progression du deep learning dans tous les secteurs de la prévision météorologique. « En dehors de la prévision à très court terme, elle va aussi faire progresser les prévisions à court et moyen termes, entre un et dix jour », estime Vincent-Henri Peuch. Ce type de prévision à plus long terme s’appuie sur des modèles terrestres et climatiques multi-phénomènes beaucoup plus complexes, prenant en compte des données radars mais aussi satellitaires, des mesures au sol, etc. Si l’apprentissage automatique ne prétend pas concurrencer pour l’instant l’efficacité de ces modèles numériques ultra-complexes, il peut apporter son concours ici et là.

LE MACHINE LEARNING SOULAGE LES MODÈLES NUMÉRIQUES

« Des algorithmes de machine learning peuvent par exemple aider à trier les images satellites et sélectionner les plus exploitables ou significatives par rapport aux phénomènes à anticiper. Ils peuvent également prendre le relais des modèles physiques sur des calculs particuliers, comme le rayonnement solaire. Lorsque la substitution est possible, elle induit des économies notables de puissance de calcul. D’autres, enfin, permettent d’affiner le maillage des prédictions dans une logique de post-processing », explique Vincent-Henri Peuch. Sur ce dernier point, une publication2 de la London School of Hygiene & Tropical Medicine (LSHTM) en 2020 présente par exemple un modèle de prévision de la pollution de l’air au Royaume-Uni obtenu avec une résolution très fine d’un kilomètre carré. Cette cartographie, présentée comme la plus précise à ce jour, a été obtenue en croisant grâce à un modèle de machine learning des données satellitaires météorologiques avec les mesures de polluants au sol, plus traditionnellement utilisées en prévision de la pollution de l’air. « Grâce à l’IA, les prévisions météorologiques dans leur ensemble devraient gagner un ordre de grandeur, en rapidité et en précision d’ici dix ans, ce qui revient à nous faire gagner une génération et demie de supercalculateurs », conclut Vincent-Henri Peuch.

Hugo Leroux

1. Suman Ravuri et al. Skilful precipitation nowcasting using deep generative models of radar. Nature, 2021. doi.org

2. Rochelle Schneider et al. A Satellite-Based Spatio-Temporal Machine Learning Model to Reconstruct Daily PM2.5 Concentrations across Great Britain. Remote Sensing, 2020. doi.org

Termes liés :
  • Deep Learning
  • Données
  • Apprentissage automatique
  • Machine Learning
Tags: #deeplearning, #ia, #météo
Share:
Posts you'd might like
L’apprentissage profond permet de lire dans notre cerveau… ce qu’il voit
Cette IA hybride apprend à jouer au sudoku…
et à concevoir des protéines
Canicules, orages violents : l’IA apprend à prévoir les épisodes météo extrêmes
Des réseaux de neurones “informés par la physique”, pour modéliser et simuler des systèmes complexes
Faut-il créer un GIEC de l’intelligence artificielle ?
Entretien avec Raja Chatila
Laurent Gardès : sur les rails de l’IA
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • L’apprentissage profond permet de lire dans notre cerveau… ce qu’il voit
  • Cette IA hybride apprend à jouer au sudoku…
    et à concevoir des protéines
  • Canicules, orages violents : l’IA apprend à prévoir les épisodes météo extrêmes
  • Des réseaux de neurones “informés par la physique”, pour modéliser et simuler des systèmes complexes
  • Faut-il créer un GIEC de l’intelligence artificielle ?
    Entretien avec Raja Chatila

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU