Skip to content. | Skip to navigation

Personal tools

Sections

UMR 5672

logo de l'ENS de Lyon
logo du CNRS
You are here: Home / Physics Lab / News / Changements climatiques : une meilleure prédiction des canicules grâce à l’IA

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

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 et plusieurs membres du laboratoire dévoilent une intelligence artificielle 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.

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.

Lien actualité CNRS