© Freddy Bouchet
-A +A
Imprimer

Changements climatiques : une meilleure prédiction des canicules grâce à l’IA

Communiqué de presse Terre et environnement

Les vagues de chaleur extrême sont rares, mais ont des conséquences importantes sur les êtres vivants et leurs environnements. Anticiper leur arrivée est un enjeu majeur. Dans un article paru dans Physical Review Fluids le 4 avril, une équipe interdisciplinaire de scientifiques français1 , du CNRS, du CEA et de l’Université Claude Bernard Lyon 1 dévoile une intelligence artificielle2 capable de prévoir les canicules. Basée sur le « deep learning », elle s’appuie sur des modèles statistiques englobant de nombreux paramètres, et s’enrichit de multiples données. Cette approche probabiliste diffère des prévisions traditionnelles, basées sur les lois de la physique, et utilisées notamment pour les bulletins météorologiques. À partir des conditions environnementales, telles que l’humidité des sols et l’état de l’atmosphère, l’IA associe une probabilité à l’arrivée d’une vague de chaleur extrême, jusqu’à un mois avant son apparition. L’équipe de recherche a entraîné cette technologie sur 8 000 ans, simulés grâce au modèle climatique PlaSim de l’université Hambourg. L’IA a également l’avantage de fournir un modèle statistique qui fait une prédiction en quelques secondes, et d’avoir un usage complémentaire aux prévisions météorologiques classiques ou aux modèles climatiques, dans la prévision des phénomènes rares. Néanmoins, l’étude insiste sur un point : pour que l’IA soit fiable, elle a besoin d’un grand nombre de données pour s’enrichir. Ces événements étant rares, peu d’informations sont disponibles. Pour pallier cette faiblesse, les scientifiques vont/comptent conjuguer cette IA avec des algorithmes de simulations d’événements rares, conçus par eux il y a cinq ans, afin d’obtenir une prévision optimale.

Changements climatiques : une meilleure prédiction des canicules grâce à l’IA
Carte utilisée pour l’apprentissage de l’IA. Elle montre les anomalies de température (rouge plus chaud que bleu) et pression atmosphérique (lignes) pour une situation atmosphérique typique.
© Freddy Bouchet
Bibliographie

Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data. George Miloshevich, Bastien Cozian, Patrice Abry, Pierre Borgnat, et Freddy Bouchet. Physical Review Fluids, le 4 avril 2023.

 

Retrouver l'actualité sur le site internet du CNRS

  • 1Les chercheurs travaillent au sein du Laboratoire de physique de l’ENS de Lyon (CNRS/ENS de Lyon), du Laboratoire de météorologie dynamique (CNRS/ENS-PSL/Ecole polytechnique/Sorbonne Université) et du Laboratoire des sciences du climat et de l’environnement (CNRS/CEA/UVSQ). Ces deux derniers laboratoires font partie de l’Institut Pierre-Simon-Laplace.
  • 2Ces travaux sont financés notamment par l’« Initiative d’excellence » Idex Lyon et le projet ANR Samprace.