La même technique d'intelligence artificielle généralement utilisée dans les systèmes de reconnaissance faciale pourrait aider à améliorer la prédiction des tempêtes de grêle et de leur gravité, selon une nouvelle étude du National Center for Atmospheric Research (NCAR).

Au lieu de se concentrer sur les caractéristiques d'un visage individuel, les scientifiques ont formé un modèle d'apprentissage en profondeur appelé réseau de neurones convolutifs pour reconnaître les caractéristiques des tempêtes individuelles qui affectent la formation de la grêle et la taille des grêlons, les deux sont notoirement difficiles à prévoir.

Les résultats prometteurs, publié dans l'American Meteorological Society's Revue météorologique mensuelle , souligner l'importance de prendre en compte toute la structure d'une tempête, quelque chose qui a été difficile à faire avec les techniques existantes de prévision de la grêle.

"Nous savons que la structure d'une tempête affecte si la tempête peut produire de la grêle, " a déclaré le scientifique du NCAR David John Gagné, qui a dirigé l'équipe de recherche. "Une supercellule est plus susceptible de produire de la grêle qu'une ligne de grains, par exemple. Mais la plupart des méthodes de prévision de la grêle ne regardent qu'une petite tranche de la tempête et ne peuvent pas distinguer la forme et la structure plus larges."

La recherche a été soutenue par la National Science Foundation, qui est le sponsor de NCAR.

« La grêle, en particulier la grosse grêle, peut avoir des impacts économiques importants sur l'agriculture et l'immobilier, " a déclaré Nick Anderson, un responsable de programme NSF. « L'utilisation de ces outils d'apprentissage en profondeur de manière unique fournira des informations supplémentaires sur les conditions qui favorisent la grosse grêle, améliorer les prédictions du modèle. C'est une création, et très utile, fusion des disciplines scientifiques.

La forme des tempêtes

Qu'une tempête produise ou non de la grêle dépend d'une myriade de facteurs météorologiques. L'air doit être humide près de la surface terrestre, mais sèche plus haut. Le niveau de congélation dans le nuage doit être relativement bas par rapport au sol. De forts courants ascendants qui maintiennent la grêle en l'air assez longtemps pour grossir sont essentiels. Les changements de direction et de vitesse du vent à différentes hauteurs au sein de la tempête semblent également jouer un rôle

Mais même lorsque tous ces critères sont remplis, la taille des grêlons produits peut varier considérablement, selon le chemin parcouru par les grêlons à travers la tempête et les conditions le long de ce chemin. C'est là que la structure de tempête entre en jeu.

"La forme de la tempête est vraiment importante, " a déclaré Gagné. "Dans le passé, nous avons eu tendance à nous concentrer sur des points uniques dans une tempête ou des profils verticaux, mais la structure horizontale est aussi très importante."

Les modèles informatiques actuels sont limités dans ce qu'ils peuvent regarder en raison de la complexité mathématique qu'il faut pour représenter les propriétés physiques d'une tempête entière. L'apprentissage automatique offre une solution possible car il contourne le besoin d'un modèle qui résout réellement toute la physique compliquée des tempêtes. Au lieu, le réseau de neurones d'apprentissage automatique est capable d'ingérer de grandes quantités de données, rechercher des motifs, et s'apprend quelles caractéristiques de tempête sont cruciales à maîtriser pour prédire avec précision la grêle.

Pour la nouvelle étude, Gagné s'est tourné vers un type de modèle d'apprentissage automatique conçu pour analyser des images visuelles. Il a entraîné le modèle à l'aide d'images de tempêtes simulées, ainsi que des informations sur la température, pression, vitesse du vent, et la direction comme entrées et les simulations de grêle résultant de ces conditions comme sorties. Les simulations météorologiques ont été créées à l'aide du modèle de recherche et de prévision météorologiques (WRF) basé sur le NCAR.

Le modèle d'apprentissage automatique a ensuite déterminé quelles caractéristiques de la tempête sont corrélées avec le fait qu'elle grêle ou non et la taille des grêlons. Une fois que le modèle a été formé et qu'il a ensuite démontré qu'il pouvait faire des prédictions réussies, Gagné a examiné les aspects de la tempête que le réseau de neurones du modèle jugeait les plus importants. Il a utilisé une technique qui faisait essentiellement reculer le modèle pour identifier la combinaison de caractéristiques de tempête qui devraient se réunir pour donner la plus grande probabilité de grêle sévère.

En général, le modèle a confirmé les caractéristiques des tempêtes qui étaient auparavant liées à la grêle, dit Gagné. Par exemple, les tempêtes qui ont une pression inférieure à la moyenne près de la surface et une pression supérieure à la moyenne près du sommet de la tempête (une combinaison qui crée de forts courants ascendants) sont plus susceptibles de produire de la grêle sévère. Il en va de même des tempêtes avec des vents soufflant du sud-est près de la surface et de l'ouest au sommet. Les tempêtes de forme plus circulaire sont également plus susceptibles de produire de la grêle.

S'appuyant sur des forêts aléatoires, test avec des tempêtes réelles

Cette recherche s'appuie sur les travaux antérieurs de Gagné en utilisant un autre type de modèle d'apprentissage automatique, connu sous le nom de forêt aléatoire, pour améliorer la prédiction de la grêle. Au lieu d'analyser des images, les modèles de forêts aléatoires posent une série de questions, un peu comme un organigramme, qui sont conçus pour déterminer la probabilité de grêle. Ces questions peuvent inclure si le point de rosée, températures, ou les vents sont supérieurs ou inférieurs à un certain seuil. Chaque "arbre" du modèle demande de légères variantes sur les questions pour arriver à une réponse indépendante. Ces réponses sont ensuite moyennées sur l'ensemble de la "forêt, " donnant une prédiction qui est plus fiable que n'importe quel arbre individuel.

Pour cette recherche, publié en 2017, Gagné a utilisé des observations de tempêtes réelles pour les entrées et des tailles de grêle estimées par radar pour les sorties pour former le modèle. Il a découvert que le modèle pouvait améliorer la prévision de la grêle jusqu'à 10 %. Le modèle d'apprentissage automatique a maintenant été exécuté de manière opérationnelle au cours des derniers printemps pour donner aux prévisionnistes sur le terrain un accès à plus d'informations lors de la prévision de la grêle. Gagné est en train de vérifier comment le modèle s'est comporté au cours de ces quelques saisons.

La prochaine étape pour le nouveau modèle d'apprentissage automatique consiste également à commencer à le tester à l'aide d'observations d'orages et de grêle estimée par radar, dans le but de faire également passer ce modèle à une utilisation opérationnelle. Gagné collabore avec des chercheurs de l'Université d'Oklahoma sur ce projet.

"Je pense que cette nouvelle méthode est très prometteuse pour aider les prévisionnistes à mieux prévoir un phénomène météorologique capable de causer de graves dommages, " a déclaré Gagné. "Nous sommes ravis de continuer à tester et à affiner le modèle avec des observations de tempêtes réelles."