L’intelligence artificielle peut créer de meilleures prévisions de foudre
Environnement | Communiqués de presse | Recherche | La science
13 décembre 2021
La foudre est l’une des forces de la nature les plus destructrices, comme en 2020 lorsqu’elle a déclenché les incendies massifs du complexe de la foudre en Californie, mais elle reste difficile à prévoir. Une nouvelle étude menée par l’Université de Washington montre que les algorithmes informatiques d’apprentissage automatique qui s’améliorent sans programmation directe par l’homme peuvent être utilisés pour améliorer les prévisions de foudre.
De meilleures prévisions de foudre pourraient aider à se préparer à d’éventuels incendies de forêt, à améliorer les avertissements de sécurité pour la foudre et à créer des modèles climatiques à longue portée plus précis.
Les meilleurs sujets pour l’apprentissage automatique sont des choses que nous ne comprenons pas complètement. Et qu’est-ce qui reste mal compris dans le domaine des sciences de l’atmosphère ? La foudre, a déclaré Daehyun Kim, professeur agrégé de sciences atmosphériques à l’UW. À notre connaissance, notre travail est le premier à démontrer que les algorithmes d’apprentissage automatique peuvent fonctionner pour la foudre.
La nouvelle technique combine les prévisions météorologiques avec une équation d’apprentissage automatique basée sur des analyses d’événements de foudre passés. La méthode hybride, présentée le 13 décembre lors de la réunion d’automne de l’American Geophysical Unions, peut prévoir la foudre sur le sud-est des États-Unis deux jours plus tôt que la principale technique existante.
Cela démontre que les prévisions des systèmes météorologiques violents, tels que les orages, peuvent être améliorées en utilisant des méthodes basées sur l’apprentissage automatique, a déclaré Wei-Yi Cheng, qui a effectué le travail pour son doctorat UW en sciences atmosphériques. Il encourage l’exploration de méthodes d’apprentissage automatique pour d’autres types de prévisions météorologiques violentes, telles que les tornades ou les tempêtes de grêle.
Les chercheurs ont entraîné le système avec des données sur la foudre de 2010 à 2016, permettant à l’ordinateur de découvrir les relations entre les variables météorologiques et les éclairs. Ensuite, ils ont testé la technique sur la météo de 2017 à 2019, en comparant la technique prise en charge par l’IA et une méthode existante basée sur la physique, en utilisant des observations réelles de la foudre pour évaluer les deux.
La nouvelle méthode a permis de prévoir les éclairs avec la même compétence environ deux jours plus tôt que la principale technique dans des endroits, comme le sud-est des États-Unis, qui reçoivent beaucoup d’éclairs. Parce que la méthode a été formée sur l’ensemble des États-Unis, ses performances n’étaient pas aussi précises pour les endroits où la foudre est moins courante.
Une comparaison des performances de la nouvelle méthode basée sur l’IA et de la méthode existante pour les prévisions de foudre aux États-Unis. La méthode prise en charge par l’IA a pu prévoir avec précision la foudre en moyenne deux jours plus tôt dans des endroits comme le sud-est, où la foudre est courante. Parce que la méthode a été appliquée sur l’ensemble des États-Unis, elle a moins bien fonctionné dans les endroits où la foudre est moins courante.Daehyun Kim/Université de Washington. Carte de Rebecca Gourley/Université de Washington
L’approche utilisée pour la comparaison était une technique récemment développée pour prévoir la foudre en fonction de la quantité de précipitations et de la vitesse d’ascension des nuages d’orage. Cette méthode a projeté plus d’éclairs avec le changement climatique et une augmentation continue des éclairs au-dessus de l’Arctique.
La méthode existante ne fait que multiplier deux variables. Cela vient d’une idée humaine, c’est simple. Mais ce n’est pas nécessairement la meilleure façon d’utiliser ces deux variables pour prédire la foudre, a déclaré Kim.
L’apprentissage automatique a été formé sur les observations de foudre du World Wide Lightning Location Network, une collaboration basée à l’UW qui suit la foudre dans le monde depuis 2008.
L’apprentissage automatique nécessite beaucoup de données, c’est l’une des conditions nécessaires pour qu’un algorithme d’apprentissage automatique fasse des choses précieuses, a déclaré Kim. Il y a cinq ans, cela n’aurait pas été possible car nous n’avions pas assez de données, même du WWLLN.
Des réseaux commerciaux d’instruments pour surveiller la foudre existent désormais aux États-Unis, et les nouveaux satellites géostationnaires peuvent surveiller une zone en continu depuis l’espace, fournissant des données précises sur la foudre pour rendre plus possible l’apprentissage automatique.
Les facteurs clés sont la quantité et la qualité des données, qui sont exactement ce que WWLLN peut nous fournir, a déclaré Cheng. À mesure que les techniques d’apprentissage automatique progressent, il sera de plus en plus important de disposer d’un ensemble de données d’observation de la foudre précis et fiable.
Densité d’éclairs observée (à gauche) et prévue par l’apprentissage automatique (à droite) sur la zone continentale des États-Unis le 18 juin 2017. Un modèle de réseau de neurones a été utilisé pour la prédiction de l’apprentissage automatique.Daehyun Kim/Université de Washington. Carte de Rebecca Gourley/Université de Washington
Les chercheurs espèrent améliorer leur méthode en utilisant plus de sources de données, plus de variables météorologiques et des techniques plus sophistiquées. Ils aimeraient améliorer les prévisions de situations particulières comme la foudre sèche ou la foudre sans pluie, car elles sont particulièrement dangereuses pour les incendies de forêt.
Les chercheurs pensent que leur méthode pourrait également être appliquée à des projections à plus long terme. Les tendances à plus long terme sont importantes en partie parce que la foudre affecte la chimie de l’air, donc la prédiction de la foudre conduit à de meilleurs modèles climatiques.
Dans les sciences de l’atmosphère, comme dans d’autres sciences, certaines personnes sont encore sceptiques quant à l’utilisation d’algorithmes d’apprentissage automatique car, en tant que scientifiques, nous ne faisons pas confiance à quelque chose que nous ne comprenons pas, a déclaré Kim. J’étais l’un des sceptiques, mais après avoir vu les résultats de cette étude et d’autres, j’en suis convaincu.
Les autres collaborateurs sont Scott Henderson et Robert Holzworth à l’UW, et Yoo-Geun Ham et Jeong-Hwan Kim à l’Université nationale de Chonnam en Corée du Sud.
Pour plus d’informations, contactez Kim à daehyun@uw.edu ou Cheng à wycheng@uw.edu. Cheng présentera cette recherche en ligne à 12 h 45, heure centrale (10 h 45 du Pacifique, 13 h 45, heure de l’Est) le lundi 13 décembre.
Tag(s): Collège de l’environnement Daehyun Kim Département des sciences de l’atmosphère foudre