A l'approche d'un ouragan, un préavis de quelques heures supplémentaires peut faire la différence entre la vie et la mort. Maintenant, Des chercheurs de Penn State rapportent que l'application d'une technique d'apprentissage automatique à un groupe de trajectoires de tempêtes possibles pourrait aider les météorologues à fournir des prévisions à moyen terme plus précises et à émettre des avertissements en temps opportun aux communautés sur le chemin de ces tempêtes potentiellement mortelles.

Dans une étude, les chercheurs ont utilisé l'apprentissage automatique pour supprimer certains groupes de prévisions d'ouragans d'ensembles - des ensembles de prévisions de modèles météorologiques basés sur une gamme de possibilités météorologiques - afin de réduire les erreurs et d'améliorer les prévisions quatre à six jours à l'avance. Les scientifiques utilisent ces modèles d'ensemble parce que la météo est très complexe et qu'essayer de prévoir ne serait-ce qu'un seul événement crée d'énormes quantités de données, dit Jenni Evans, professeur de météorologie et de sciences de l'atmosphère et directeur de l'Institute for Computational and Data Sciences.

"Les modèles sont exécutés un peu différemment beaucoup, plusieurs fois pour créer un ensemble d'états futurs possibles de l'atmosphère. C'est cet ensemble qui est remis aux prévisionnistes, " a déclaré Evans. " Nous examinons 120 prévisions différentes à chaque fois dans le monde, puis se concentrer sur un typhon ou un ouragan individuel et demander, « Que fera cette tempête à l'avenir ? » Maintenant, si vous donnez ces prévisions à un prévisionniste quelques heures seulement avant leur mise en ligne, c'est une énorme quantité d'informations à traiter. Donc, au lieu, nous avons utilisé des statistiques avancées et l'apprentissage automatique pour essayer de décomposer ces 120 prévisions en quatre à six clusters, où chaque cluster représente une prédiction distincte de l'évolution de la tempête par rapport à tous les autres clusters."

Les observateurs météorologiques peuvent mieux reconnaître ces ensembles comme la collection de lignes ondulées qui montrent les chemins possibles des tempêtes pendant la saison des ouragans.

Bien que ces modèles soient bons et s'améliorent, ils sont loin d'être parfaits, dit Evans. Chaque prédiction peut expliquer une légère variation dans les nombreuses variables qui composent la météo, comme l'énergie de l'océan et des nuages, elle a ajouté. Aussi, ils se concentrent principalement sur le type d'ouragans, comme l'ouragan Sandy en 2012 et l'ouragan Isaias en 2020, qui remontent la côte et sortent des tropiques.

"Ces tempêtes sont généralement plus difficiles à prévoir car leur environnement change tellement au cours de leur vie, " a déclaré Evans. " Si vous regardez les modèles actuels, ils sont imparfaits parce que vous ne pouvez pas voir chaque molécule d'eau dont vous auriez besoin et chaque morceau d'énergie du soleil, et nous savons également que la façon dont nous représentons certaines de ces informations est imparfaite. Mais, lorsque vous faites face à un ouragan, il est important de savoir quel type de tempête vous allez avoir et quand vous allez l'avoir."

Comme un arboriculteur qui coupe les branches faibles et endommagées pour que le reste de l'arbre puisse s'épanouir, les chercheurs ont divisé l'ensemble en groupes de prévisions, connu sous le nom de grappes, et « élagué » ceux dont on s'attendait à de mauvaises performances, selon Alex Kowaleski, chercheur postdoctoral en météorologie et sciences de l'atmosphère. Les chercheurs ont découvert que les très petits clusters avaient tendance à avoir des performances bien pires que les autres.

"Il existe une forte relation entre la taille du cluster et l'erreur de cluster et c'est le plus important pour les plus petits clusters, " a déclaré Kowaleski. " Les plus petits clusters ont tendance à être beaucoup moins performants. Ce n'est pas simplement dû au fait qu'il s'agit d'une taille d'ensemble plus petite car, tout bien considéré, si vous augmentez simplement la taille de l'ensemble en ajoutant simplement plus de membres, vous obtiendrez de meilleures performances jusqu'à un certain niveau. Mais ces petits groupes étaient si pauvres qu'ils faisaient pire qu'un membre de l'ensemble sélectionné au hasard."

Entre autres résultats, les chercheurs, qui rapportent leurs conclusions dans un récent numéro de Weather and Forecasting, ont été en mesure de réduire les erreurs susceptibles d'affecter les prévisions en supprimant ces petits groupes.

Selon Kowaleski, alors que la plupart des gens savent que les ouragans sont dangereux, ils ne considèrent souvent pas que les risques de tempête varient considérablement d'un endroit à l'autre en raison de facteurs tels que les marées et la topographie locale. Cependant, le regroupement peut aider les prévisionnistes à mieux prévoir la variété des scénarios à différents endroits le long de la trajectoire de la tempête et à envoyer des avertissements plus précis aux personnes qui peuvent ne pas être au courant de l'évolution de la situation météorologique.

« Un ouragan présente une vaste zone de risques, " a déclaré Kowaleski. " Si vous êtes un intervenant ou une personne vivant sur la côte, peu importe où se trouve le centre géographique de la tempête et quelle est la vitesse maximale du vent. Ce qui vous importe en fin de compte, ce sont les conditions sévères que vous et votre communauté allez rencontrer. »

L'étude comprend plus de 120 événements prévisionnels provenant de l'Atlantique Nord, l'est du Pacifique Nord, prévisions du Pacifique central, tempêtes du Pacifique Nord-Ouest, Pacifique sud et océan Indien sud. Les chercheurs ont obtenu des prévisions de trajectoire pour les cyclones tropicaux survenus entre 2017 et 2018 à partir du THORPEX Interactive Grand Global Ensemble, ou TIGGE. Les données TIGGE utilisées dans cette étude sont fournies par le Centre européen de prévisions météorologiques à moyen terme, le système de prévision d'ensemble mondial des National Centers for Environmental Prediction (NCEP), le système de prévision d'ensemble mondial du Met Office du Royaume-Uni et le système de prévision d'ensemble mondial d'Environnement Canada.

Les calculs de cette étude ont été effectués sur l'Institute for Computational and Data Sciences (ICDS) Advanced CyberInfrastructure (ICDS-ACI).