Au cours de la dernière décennie, les applications d'intelligence artificielle (« IA ») ont explosé dans divers secteurs de recherche, y compris la vision par ordinateur, communication et médecine. Maintenant, la technologie en développement rapide fait sa marque dans la prévision météorologique.

Les domaines de la science de l'atmosphère et de la météorologie par satellite sont parfaitement adaptés à la tâche, offrant un terrain d'entraînement riche capable de nourrir l'appétit sans fin d'un système d'IA pour les données. Anthony Wimmers est un scientifique du University of Wisconsin-Madison Cooperative Institute for Meteorological Satellite Studies (CIMSS) qui travaille avec des systèmes d'IA depuis trois ans. Ses dernières recherches examinent comment un modèle d'IA peut aider à améliorer les prévisions à court terme (ou « nowcasting ») des ouragans.

Connu sous le nom de DeepMicroNet, le modèle utilise l'apprentissage en profondeur, un type de réseau de neurones organisé en couches d'interaction « profondes » qui trouve des modèles dans un ensemble de données. Wimmers explore comment un système d'IA comme DeepMicroNet peut compléter et prendre en charge les systèmes de prévision météorologique conventionnels.

Dans un article de 2019 publié dans la revue Revue météorologique mensuelle , Wimmers et ses collègues Chris Velden, du CIMSS, et Josh Cossuth, du laboratoire de recherche naval des États-Unis, décrivent un moyen d'exploiter l'apprentissage en profondeur pour estimer la force des ouragans en fonction des données de satellites météorologiques particuliers. Comme ils passent au-dessus, ces satellites collectent des informations clés sur la structure d'un ouragan grâce à des mesures dans la partie micro-ondes du spectre électromagnétique. Avec 30 ans de données micro-ondes, l'article montre comment le modèle peut estimer, avec une précision croissante, l'intensité d'un cyclone tropical.

"Les résultats de l'étude sont très prometteurs, pas seulement pour la précision de prévision immédiate du modèle, mais aussi parce que ces résultats proviennent de données qui ne sont généralement pas utilisées pour estimer l'intensité des ouragans, " dit Wimmers.

Des analyses rapides comme celles-ci peuvent donner aux prévisionnistes des informations vitales sur le comportement d'une tempête et à quoi s'attendre, comme si la tempête subira des remplacements du mur de l'œil ou une intensification rapide.

Lors de la prévision des vents maximums soutenus d'un ouragan, Les résultats de DeepMicroNet différaient de l'enregistrement historique des valeurs estimées par les prévisionnistes d'environ 16 miles par heure. Les résultats de DeepMicroNet se sont améliorés, cependant, lorsque les ensembles de données se limitaient aux données mesurées directement par avion. Puis, DeepMicroNet était hors de moins de 11,5 mph. Par comparaison, les estimations utilisant des méthodes de pointe sont généralement décalées d'environ 10 miles par heure.

Wimmers a tenté de répondre à trois questions principales. D'abord, il voulait déterminer les performances du modèle par rapport aux méthodes de pointe pour prédire l'intensité des ouragans. Seconde, il était important d'évaluer si les résultats étaient significatifs et faisaient progresser la science de la météorologie. Dernièrement, il voulait démontrer de nouvelles façons d'incorporer des données moins couramment utilisées telles que l'imagerie micro-ondes dans des modèles de prédiction, tout en offrant un aperçu précieux d'une tempête.

« La raison pour laquelle les systèmes d'apprentissage en profondeur se sont tellement développés en météorologie par satellite est qu'ils sont prêts à l'emploi pour ce type d'applications, où vous avez des dizaines de milliers d'images disponibles pour entraîner un modèle, " dit Wimmers. " Cela s'applique également aux situations où vous avez besoin d'une réponse rapidement. "

Wimmers a conçu son expérience pour tester dans quelle mesure un système d'IA pouvait reproduire l'histoire d'un ouragan. Les intensités historiques des ouragans provenaient d'une combinaison d'estimations de prévisionnistes basées sur d'autres données satellitaires et d'observations aériennes. Sans connaissance des types de données, Le travail de DeepMicroNet consistait à estimer les intensités à partir d'un large jeu de données indépendant d'images micro-ondes mesurées dans les fréquences 37 GHz et 89 GHz.

"Ces deux fréquences sont utiles pour révéler différentes structures d'ouragan, " dit Wimmers. " Leur résolution relativement grossière signifie également qu'ils peuvent être analysés et traités dans un ordinateur rapidement. "

Le programme d'IA de Wimmers est capable d'en traiter plus de 50, 000 images d'ouragan en moins de deux heures. Il a été codé en Python, un langage de programmation qui est devenu la norme pour les puissantes applications d'apprentissage automatique. Wimmers affirme que ces systèmes atteignent des performances optimales après avoir exécuté au moins des dizaines de milliers d'exemples. Grâce au traitement répétitif des images d'entraînement, le système a montré qu'il pouvait détecter et mémoriser des modèles dans la structure d'un ouragan.

DeepMicroNet a fourni les résultats finaux après un test de validation utilisant un sous-ensemble plus petit de seulement 3, 000 images. Ici, il a appliqué ce qu'il a appris pendant la formation et a évalué avec précision l'intensité des cyclones tropicaux. Autrefois, l'exécution de modèles avec de grands ensembles de données peut prendre jusqu'à une semaine à calculer. Aujourd'hui, bien que, les progrès de l'informatique ont réduit une tâche de formation comme celle de DeepMicroNet à 90 minutes.

"Ces résultats ont été une démonstration prometteuse du genre de choses que nous pouvons faire avec l'apprentissage automatique à l'avenir, " dit Wimmers. "Nous pouvons interpréter les résultats des réseaux d'apprentissage en profondeur pour améliorer nos modèles physiques. Nous pouvons trouver des modèles qui étaient auparavant hors de notre portée parce qu'ils étaient trop compliqués."

Alors que les systèmes d'apprentissage en profondeur peuvent avoir de puissantes capacités prédictives, leur conception a un inconvénient inhérent. En dehors de la communauté de l'IA, les mots « boîte noire » sont souvent utilisés pour décrire les systèmes d'IA et leurs résultats. Source de longs débats, « boîte noire » fait référence à la difficulté que cela peut être, a l'heure, retracer le chemin parcouru par un modèle d'IA pour arriver à sa conclusion. Il présente un problème majeur pour la communauté scientifique, qui repose sur la transparence et la reproductibilité.

Wimmers soutient que malgré certaines méthodologies opaques de l'IA, les chercheurs ont beaucoup à gagner en sondant les systèmes d'IA et leurs processus.

"D'une part, un modèle d'apprentissage en profondeur de traitement d'images peut vous en dire beaucoup sur lui-même en fonction de ses performances, ou où il a concentré ses efforts et quelles zones d'une image étaient les plus importantes, " dit Wimmers. " Mais de l'autre, nous n'avons pas de bon système pour traduire toutes ces informations en leur physique de base et les interpréter pour nous dire ce qui se passe dans le monde naturel."

Les modèles météorologiques plus traditionnels sont basés sur une série d'équations et d'ensembles de données dérivés de la physique de l'atmosphère. Par contre, un système d'IA ignore souvent toutes les hypothèses existantes et se concentre uniquement sur la recherche de modèles dans les données. Dans le meilleur des cas, le système d'IA intègre des processus naturels dans l'atmosphère qui étaient auparavant négligés par les modèles traditionnels.

Les découvertes de l'IA, alors, pourrait être utilisé pour compléter les modèles météorologiques actuels et révéler des tendances méritant une étude plus approfondie. Wimmers voit les deux approches jouer des rôles complémentaires, chacun avec ses forces et ses faiblesses.

« Alors que (les modèles météorologiques conventionnels) et les modèles d'apprentissage en profondeur partagent déjà de nombreuses similitudes dans leur fonctionnement, ce sont deux outils différents qui servent à des fins différentes, et nous pouvons utiliser les deux, " il dit.

Le domaine de la recherche sur l'IA évolue si rapidement que Wimmers dit qu'il peut être difficile de rester à jour. Cependant, son travail est à la pointe de l'utilisation de l'IA comme outil d'amélioration des prévisions météorologiques. Le directeur du CIMSS, Tristan L"Ecuyer, voit l'IA jouer un rôle de plus en plus important dans un certain nombre de domaines des sciences de l'atmosphère, comme l'identification des phénomènes météorologiques violents, identifier les turbulences, prédire la neige à effet de lac, mesurer le mouvement de l'air, et le suivi des mouvements de la glace de mer.

"Maintenant que des images satellites haute résolution sont capturées toutes les quelques minutes et génèrent d'énormes volumes de données à analyser, il est nécessaire de développer de nouvelles façons innovantes d'en extraire des informations pratiques, " dit L'Ecuyer. "L'IA va jouer un rôle essentiel dans la transition de la collecte de données à la production d'informations et à l'action au cours de la prochaine décennie et le CIMSS se positionne pour diriger cet effort dans les années à venir."