Page d'accueil

Machine learning pour la prédiction de phénomènes météorologiques extrêmes

Le changement climatique influe considérablement sur les conditions météorologiques mondiales, augmentant la fréquence des événements climatiques extrêmes. Les pluies torrentielles, en particulier, peuvent engendrer des dommages majeurs. Afin de réduire ces dégâts et de protéger les populations, il est crucial de prédire ces phénomènes avec précision.

Cette recherche de niveau bachelor explore l'usage d'algorithmes de machine learning pour prévoir et caractériser ces événements extrêmes, en se servant d'images satellites et de données publiques.

Nous avons débuté par l'exploitation de données fournies par MétéoSuisse pour entraîner et tester différents modèles de machine learning issus de la bibliothèque Python scikit-learn. Ces modèles visent à prédire la quantité de précipitations et à identifier la survenue de pluies extrêmes, basée sur un seuil établi durant l'entraînement. Les variables météorologiques intégrées incluent la précipitation, la température, l'humidité et la vitesse du vent.

Bien que ces modèles affichent une bonne performance pour des prédictions allant jusqu'à trois heures, leur précision chute considérablement au-delà de six heures, principalement en raison de leur incapacité à appréhender le système climatique dans sa globalité. Pour surmonter cette limitation, la recherche s'est orientée vers l'entraînement de modèles utilisant des données satellitaires plus détaillées.

Nous avons examiné deux initiatives principales : le modèle foundation ClimaX et la bibliothèque Climate-learn, qui exploitent tous deux la base de données benchmark WeatherBench. Cette dernière repose sur les données ERA5, prétraitées dans le cadre du projet Copernicus. Ces approches avancées surpassent les modèles basés sur des données brutes en termes de performance. Toutefois, elles peinent à fournir des prédictions précises sur le plan géographique. Un tel défi pourrait être relevé par l'application de techniques de spatial downscaling pour affiner les prévisions.