L'IA améliore les prévisions des précipitations de mousson

1er avril 2024

Cet article a été révisé conformément au processus rédactionnel et aux politiques de Science X. Les rédacteurs ont mis en avant les caractéristiques suivantes tout en garantissant la crédibilité du contenu :

• vérifié factuellement
• publication évaluée par des pairs
• source fiable
• corrigé

par Lori Dajose, Institut de Technologie de Californie

Chaque année, la saison des moussons en Asie du Sud apporte de fortes pluies à plus d'un milliard de personnes sur le sous-continent indien entre juin et septembre. La pluie tombe en oscillations : certaines semaines voient 1 à 4 pouces d'eau, tandis que d'autres semaines sont principalement sèches. Prévoir quand ces périodes sèches et humides vont se produire est essentiel pour la planification agricole et urbaine, permettant aux agriculteurs de savoir quand récolter les cultures et aidant les responsables de la ville à se préparer aux inondations. Cependant, bien que les prévisions météorologiques soient en grande partie exactes dans un délai d'un ou deux jours, prévoir précisément le temps une semaine ou un mois à l'avance est très difficile.

Désormais, un nouveau système de prévision basé sur l'apprentissage automatique a démontré qu'il est capable de prédire plus précisément les précipitations de la mousson en Asie du Sud 10 à 30 jours à l'avance, une amélioration significative par rapport aux prévisions actuelles de pointe qui utilisent la modélisation numérique plutôt que l'intelligence artificielle pour faire des prédictions. Comprendre le comportement de la mousson est également important car ce type de précipitations est une caractéristique atmosphérique majeure dans le climat mondial.

La recherche a été dirigée par Eviatar Bach, chercheur postdoctoral Foster et Coco Stanback en sciences et ingénierie de l'environnement, qui travaille dans les laboratoires de Tapio Schneider, professeur Theodore Y. Wu en sciences et ingénierie de l'environnement et scientifique de recherche principal du JPL ; et Andrew Stuart, professeur Bren en informatique et en sciences mathématiques.

Un article décrivant la nouvelle méthode est publié dans les Proceedings of the National Academy of Sciences.

'Il y a beaucoup d'inquiétude quant à l'impact du changement climatique sur la mousson et d'autres événements météorologiques tels que les ouragans, les vagues de chaleur, etc.', dit Bach. 'Améliorer les prévisions à plus court terme est une partie importante de la réponse au changement climatique car nous devons être en mesure d'améliorer la préparation à ces événements.'

La prévision du temps est difficile car l'atmosphère contient de nombreuses instabilités - par exemple, l'atmosphère est constamment chauffée par la terre en dessous, conduisant à de l'air froid, plus dense au-dessus de l'air chaud, moins dense - ainsi qu'une instabilité causée par un chauffage inégal et la rotation de la Terre. Ces instabilités conduisent à une situation chaotique dans laquelle les erreurs et les incertitudes dans la modélisation du comportement de l'atmosphère se multiplient rapidement, rendant pratiquement impossible de prédire plus loin dans le futur.

Les modèles actuels de pointe utilisent la modélisation numérique, qui sont des simulations informatiques de l'atmosphère basées sur les équations de la physique décrivant le mouvement des fluides. En raison du chaos, le temps prévisible maximum pour la météo à grande échelle est généralement d'environ 10 jours. Prédire le comportement moyen à long terme de l'atmosphère - c'est-à-dire le climat - est également possible, mais prévoir le temps dans l'intervalle entre deux semaines à plusieurs mois a été un défi avec les modèles numériques.

Avec les moussons en Asie du Sud, la pluie a tendance à tomber en cycles d'éclats intenses suivis de périodes de sécheresse. Ces cycles sont connus sous le nom d'oscillations intrasaisonnières de la mousson (MISOs). Dans la nouvelle recherche, Bach et ses collaborateurs ont ajouté un composant d'apprentissage automatique aux modèles numériques actuels de pointe. Cela a permis aux chercheurs de recueillir des données sur les MISOs et de faire de meilleures prédictions des précipitations sur l'échelle de temps insaisissable de deux à quatre semaines. Le modèle résultant a pu améliorer les corrélations des prédictions avec les observations jusqu'à 70%.

'Ces dernières années, il y a eu un intérêt croissant à utiliser l'apprentissage automatique pour la prévision météorologique', dit Bach. 'Notre travail montre qu'une combinaison d'apprentissage automatique et de modélisation numérique plus traditionnelle peut produire des résultats précis.'

L'article s'intitule 'Improved subseasonal prediction of South Asian monsoon rainfall using data-driven forecasts of oscillatory modes'. En plus de Bach, les co-auteurs sont V. Krishnamurthy et Jagadish Shukla de l'université George Mason ; Safa Mote de l'université de l'état de Portland ; A. Surjalal Sharma et Eugenia Kalnay de l'université du Maryland ; et Michael Ghil de l'École Normale Supérieure à Paris, UCLA, et Imperial College London.

Informations sur le journal : Proceedings of the National Academy of Sciences

Fourni par l'Institut de Technologie de Californie