Une carte des hautes températures diurnes du 30 janvier 2019, basé sur les données de l'analyse à mésoéchelle en temps réel (RTMA) de la NOAA. La vague de froid qui a frappé le Midwest américain et l'est du Canada fin janvier 2019 a tué plus de 20 personnes et produit les températures les plus froides depuis plus de 20 ans dans une grande partie de la région. Crédit :Carte de NOAA Climate.gov, basé sur les données RTMA fournies par Steve Levine/NCEP
Les ingénieurs de l'Université Rice ont créé un système informatique d'apprentissage en profondeur qui a appris à prévoir avec précision les événements météorologiques extrêmes, comme les vagues de chaleur, jusqu'à cinq jours à l'avance en utilisant un minimum d'informations sur les conditions météorologiques actuelles.
Ironiquement, Le "réseau neuronal à capsule" autodidacte de Rice utilise une méthode analogique de prévision météorologique que les ordinateurs ont rendue obsolète dans les années 1950. Pendant la formation, il examine des centaines de paires de cartes. Chaque carte montre les températures de surface et les pressions atmosphériques à cinq kilomètres de hauteur, et chaque paire montre ces conditions à plusieurs jours d'intervalle. La formation comprend des scénarios qui ont produit des conditions météorologiques extrêmes - des périodes de chaleur et de froid prolongées pouvant entraîner des vagues de chaleur mortelles et des tempêtes hivernales. Une fois formé, le système a pu examiner des cartes qu'il n'avait jamais vues auparavant et faire des prévisions de conditions météorologiques extrêmes sur cinq jours avec une précision de 85 %.
Avec le développement ultérieur, le système pourrait servir de système d'alerte précoce pour les prévisionnistes météorologiques, et comme outil pour en savoir plus sur les conditions atmosphériques qui conduisent à des conditions météorologiques extrêmes, a déclaré Pedram Hassanzadeh de Rice, co-auteur d'une étude sur le système publiée en ligne cette semaine dans le Journal of Advances in Modeling Earth Systems de l'American Geophysical Union.
La précision des prévisions météorologiques au jour le jour s'est constamment améliorée depuis l'avènement des prévisions météorologiques numériques (NWP) informatisées dans les années 1950. Mais même avec des modèles numériques améliorés de l'atmosphère et des ordinateurs plus puissants, La prévision numérique du temps ne peut pas prédire de manière fiable des événements extrêmes comme les vagues de chaleur mortelles en France en 2003 et en Russie en 2010.
"Il se peut que nous ayons besoin de superordinateurs plus rapides pour résoudre les équations régissant les modèles de prévision météorologique numériques à des résolutions plus élevées, " dit Hassanzadeh, un professeur assistant de génie mécanique et de la Terre, sciences de l'environnement et de la planète à Rice. "Mais parce que nous ne comprenons pas complètement la physique et les conditions précurseurs des conditions météorologiques extrêmes, il est également possible que les équations ne soient pas tout à fait exactes, et ils ne produiront pas de meilleures prévisions, quelle que soit la puissance de calcul que nous y mettons."
Fin 2017, Hassanzadeh et les co-auteurs de l'étude et étudiants diplômés Ashesh Chattopadhyay et Ebrahim Nabizadeh ont décidé d'adopter une approche différente.
"Quand tu as ces vagues de chaleur ou ces vagues de froid, si vous regardez la carte météo, vous allez souvent voir un comportement étrange dans le jet stream, des choses anormales comme de grosses vagues ou un gros système anticyclonique qui ne bouge pas du tout, " a déclaré Hassanzadeh. " Il semblait que c'était un problème de reconnaissance de formes. Nous avons donc décidé d'essayer de reformuler les prévisions météorologiques extrêmes comme un problème de reconnaissance de formes plutôt qu'un problème numérique."
Une représentation schématique du réseau de neurones de la capsule que les ingénieurs de l'Université Rice ont créé pour prévoir les événements météorologiques extrêmes. Crédit :Mario Norton/Rice University Digital Media Commons
L'apprentissage profond est une forme d'intelligence artificielle, dans lequel les ordinateurs sont « entraînés » à prendre des décisions humaines sans être explicitement programmés pour eux. Le pilier de l'apprentissage en profondeur, le réseau de neurones convolutifs, excelle dans la reconnaissance des formes et est la technologie clé pour les voitures autonomes, la reconnaissance faciale, transcription de la parole et des dizaines d'autres avancées.
"Nous avons décidé d'entraîner notre modèle en lui montrant beaucoup de modèles de pression dans les cinq kilomètres au-dessus de la Terre, et le dire, pour chacun, "Celui-ci n'a pas causé de conditions météorologiques extrêmes. Celui-ci a provoqué une vague de chaleur en Californie. Celui-ci n'a rien causé. Celui-ci a provoqué une vague de froid dans le Nord-Est, '", a déclaré Hassanzadeh. "Rien de spécifique comme Houston contre Dallas, mais plus un sens de l'espace régional."
À l'époque, Hassanzadeh, Chattopadhyay et Nabizadeh savaient à peine que les prévisions analogiques avaient autrefois été un pilier de la prévision météorologique et avaient même joué un rôle important dans les débarquements du jour J pendant la Seconde Guerre mondiale.
« Une façon dont la prédiction a été faite avant les ordinateurs est qu'ils examineraient le modèle du système de pression aujourd'hui, puis allez dans un catalogue de modèles précédents et comparez et essayez de trouver un analogue, un modèle très similaire, " a dit Hassanzadeh. " Si celui-là faisait pleuvoir sur la France après trois jours, la prévision serait de pluie en France."
Il a déclaré que l'un des avantages de l'apprentissage en profondeur est qu'il n'est pas nécessaire de dire au réseau neuronal ce qu'il doit rechercher.
"Peu importe que nous ne comprenions pas pleinement les précurseurs parce que le réseau de neurones a appris à trouver ces connexions lui-même, " a déclaré Hassanzadeh. " Il a appris quels modèles étaient critiques pour les conditions météorologiques extrêmes, et il les a utilisées pour trouver le meilleur analogique."
Pour démontrer une preuve de concept, l'équipe a utilisé des données de modèle tirées de simulations informatiques réalistes. L'équipe avait rapporté les premiers résultats avec un réseau de neurones convolutifs lorsque Chattopadhyay, l'auteur principal de la nouvelle étude, entendu parler des réseaux de neurones à capsule, une nouvelle forme d'apprentissage en profondeur qui a fait ses débuts en fanfare fin 2017, en partie parce que c'était l'idée de Geoffrey Hinton, le père fondateur de l'apprentissage en profondeur basé sur les réseaux de neurones convolutifs.
Une carte basée sur les températures de surface américaines mesurées par le satellite Terra de la NASA pendant une vague de chaleur du 17 au 24 juin, 2012. Les couleurs mettent en évidence la différence entre les températures de surface de 2012 et les températures moyennes mesurées aux mêmes endroits au cours de la même période de huit jours des 11 années précédentes. Les températures supérieures à la moyenne sont indiquées en rouge, températures proches de la normale en blanc et plus froides que la moyenne en bleu. Crédit :J. Allen et A. Voiland/NASA Earth Observatory
Contrairement aux réseaux de neurones convolutifs, les réseaux de neurones de la capsule peuvent reconnaître des relations spatiales relatives, qui jouent un rôle important dans l'évolution des conditions météorologiques.
« Les positions relatives des modèles de pression, les hauts et les bas que vous voyez sur les cartes météorologiques, sont le facteur clé pour déterminer l'évolution du temps, ", a déclaré Hassanzadeh.
Un autre avantage important des réseaux de neurones à capsule était qu'ils ne nécessitent pas autant de données d'entraînement que les réseaux de neurones convolutifs. Il n'y a qu'environ 40 ans de données météorologiques de haute qualité de l'ère des satellites, et l'équipe d'Hasanzadeh travaille à former son réseau de neurones à capsule sur des données d'observation et à comparer ses prévisions avec celles des modèles NWP de pointe.
"Notre objectif immédiat est d'étendre notre délai de prévision au-delà de 10 jours, où les modèles de prévision numérique du temps ont des faiblesses, " il a dit.
Bien que beaucoup plus de travail soit nécessaire avant que le système de Rice puisse être incorporé dans les prévisions opérationnelles, Hassanzadeh espère que cela pourrait éventuellement améliorer les prévisions des vagues de chaleur et d'autres conditions météorologiques extrêmes.
"Nous ne suggérons pas qu'en fin de compte cela va remplacer NWP, " at-il dit. "Mais cela pourrait être un guide utile pour NWP. Par calcul, cela pourrait être un moyen super bon marché de fournir des conseils, un avertissement précoce, qui vous permet de concentrer les ressources de la prévision numérique du temps spécifiquement là où des conditions météorologiques extrêmes sont probables."
Hassanzadeh a déclaré que son équipe souhaitait également savoir quels modèles le réseau de neurones de la capsule utilise pour faire ses prédictions.
"Nous voulons tirer parti des idées de l'IA explicable (intelligence artificielle) pour interpréter ce que fait le réseau de neurones, ", a-t-il déclaré. "Cela pourrait nous aider à identifier les précurseurs des phénomènes météorologiques extrêmes et à améliorer notre compréhension de leur physique."
