Une équipe de chercheurs travaillant au centre de recherche de Google à Mountain View a développé un outil de prévision météorologique basé sur l'apprentissage en profondeur pour prédire les événements météorologiques à court terme. Ils ont écrit un article décrivant leur "outil de prévision immédiate, " et l'ont téléchargé sur le serveur de préimpression arXiv. Ils ont également publié un article décrivant leur travail sur le blog Google AI.

Malgré des siècles d'efforts, prédire le temps est encore une science inexacte. L'approche actuelle consiste à collecter des données à partir d'une variété de sources et à les analyser avec des superordinateurs qui prennent des heures pour fournir des prédictions. Alors que les prévisions météorologiques modernes sont beaucoup plus précises que celles du passé, ils laissent encore beaucoup à désirer, surtout localement et à court terme. Dans ce nouvel effort, l'équipe de Google a adopté une approche différente des prévisions à court terme, au lieu d'utiliser la physique, ils utilisent des cartes radar récentes pour faire des suppositions éclairées sur l'avenir proche.

Le nouvel outil de Google utilise l'apprentissage automatique :un réseau de neurones convolutifs (CNN) est formé pour reconnaître les modèles météorologiques, puis fait des prévisions en fonction des conditions météorologiques actuelles. L'outil qui en résulte fournit ce que Google décrit comme une "précipitation immédiate", basée localement, presque instantané, prévisions météorologiques à court terme.

Le type de CNN utilisé par Google est appelé U-Net - un système qui fonctionne en triant les données en couches qui sont organisées par phase d'encodage pour augmenter la vitesse de traitement - l'itération est utilisée pour diminuer la résolution de l'image, puis le décodage est utilisé pour restaurer les images. à leur résolution initiale. Le système analyse les données radar des N dernières heures pour prédire les événements météorologiques dans les N heures à venir, où N est compris entre zéro et six heures. L'ensemble du processus ne prend que quelques minutes. Le système est capable de renvoyer des réponses plus rapidement que les systèmes de prévision conventionnels car il ignore la physique impliquée - au lieu de cela, il s'appuie sur le traitement d'images.

Les chercheurs ont testé leur outil en le comparant à trois modèles de prévision largement utilisés. Ils affirment que leurs prévisions étaient plus précises à court terme que les trois modèles, mais étaient moins précis à long terme.

© 2020 Réseau Science X