Utiliser le deep learning pour prévoir les vagues de chaleur extrêmes ?

Avec le changement climatique en cours, le nombre de canicules risque d'augmenter et d'avoir des conséquences sur notre environnement, nos pratiques quotidiennes, nos vies. La prévision de ces événements pourrait nous aider à nous adapter. La recherche en informatique essaie de rendre plus efficace cette prévision, en intégrant l'utilisation du deep learning avec celle des modèles météorologiques et climatiques.

Pour la prévision d'événements climatiques, Météo France et les autres services de météorologie mondiaux utilisent des modèles météorologiques et climatiques qui demandent un temps de calcul considérable. Météo France se sert actuellement de deux supercalculateurs parmi les 100 plus puissants : Taranis et Belenos.

Malgré ça, les vagues de chaleur extrêmes restent difficiles à anticiper et cette prévision demande des temps de calculs importants. Des chercheurs du CNRS essayent de réduire ce temps en utilisant le deep learning tout en s'appuyant, évidemment, sur des données venant des modèles de météorologie et de climat comme les cartes de pression, de températures, l'humidité du sol, l'état de l'océan et autres.

Comme nous vous l'avions annoncé la semaine dernière brièvement, ils ont publié dans la revue scientifique Physical Review Fluids [PDF] l'état de l'avancée de leurs travaux permettant d'avoir des prévisions précises 15 jours avant une canicule et jusqu'à un mois.

Simulation de 8 000 années climatiques

Heureusement, les vagues de chaleur extrêmes sont encore rares. Mais cette rareté entraine un manque de données pour faire tourner un algorithme de deep learning (réseau de neurones) qui serait capable d'apprendre quand l'une d'entre elles peut arriver. Les chercheurs du CNRS ont eu l'idée d'utiliser un simulateur climatologique, PlaSim, créé par des chercheurs de l'université de Hambourg pour créer des données de 8 000 années climatiques. 

Ils ont choisi ce simulateur, car il comporte une partie concernant la dynamique des fluides très réaliste, « similaire aux modèles climatiques utilisés pour les expériences CMIP décrites dans les rapports du GIEC », expliquent les chercheurs dans leur article. Mais contrairement à ces expériences, les paramétrages physiques sont plus simples, ce qui « permet de réduire considérablement le temps de calcul de PlaSim d'un facteur 100 ».

Choix des données pertinentes

L'idée de ces chercheurs est aussi de proposer un système de prévision par apprentissage automatique probabiliste, c'est-à-dire que l'algorithme donne une probabilité qu'une vague de chaleur extrême arrive. Mais au lieu d'utiliser énormément de données environnementales et de calculer à chaque fois la probabilité d'un événement extrême avec un supercalculateur, le modèle, une fois entraîné, pourrait être utilisé par un ordinateur portable et fournirait une prédiction en quelques secondes.

Concernant les données utilisées, dans leurs conclusions, les chercheurs expliquent que « la hauteur du géopotentiel à 500 hPa combinée à l'humidité du sol contiennent les informations les plus utiles à court terme ». La hauteur du géopotentiel est l'altitude à laquelle on atteint un potentiel égal de gravité, il varie selon la pression au niveau de la mer et la température moyenne entre le sol et l'altitude à laquelle on atteint une certaine pression, ici 500 hPa. Ce potentiel est utilisé en météorologie pour connaître le niveau de pression constante selon le lieu.

« La capacité de prévision associée à la hauteur du géopotentiel à 500 hPa décroît de façon approximativement exponentielle avec un temps de décroissance d'environ 7 jours » constatent-ils, « l'humidité du sol contient des informations complémentaires très importantes, avec une capacité de plateau qui ne décroît pas beaucoup sur des échelles de temps de l'ordre de 15 jours à un mois ».

En revanche, utiliser les données concernant l'hémisphère sud pour prévoir des canicules en France et en Europe est inutile, constatent-ils.

Combiner différentes approches

Si le système de ces chercheurs arrive à prédire des canicules dans ce système de simulation, ça ne veut pas dire, malheureusement, qu'il peut le faire pour l'été prochain. En travaillant sur des données simulées, les chercheurs, ici, ont voulu augmenter les données sur lesquelles ils pouvaient travailler pour que leurs résultats soient statistiquement significatifs. Mais, ils l'avouent eux-mêmes, les données modélisées ont plus de biais que celles venant des observations réelles. Ils plaident donc pour combiner les deux approches.

Les auteurs de l'article scientifique évoquent la technique du Transfert learning pour effectuer cette combinaison. Celle-ci consiste à profiter d'un premier entrainement d'un réseau de neurones sur un nombre important de données pour ensuite l'affiner en l'entrainant avec des données qui correspondent plus aux problèmes qu'on veut résoudre mais qu'on a en moins grande quantité. Mais les chercheurs ont des doutes sur le fait que cette approche soit suffisante avec des données aussi rares que celles à disposition sur les vagues de chaleur extrêmes.

Leur idée actuelle est plutôt d'améliorer les simulations de canicules pour rapprocher les données de simulations des données réelles. Ils ont déjà créé plusieurs modèles de simulation qu'ils vont pouvoir combiner avec le deep learning pour avoir de meilleurs résultats.

Si le deep learning amène des informations scientifiques intéressantes sur les canicules, il est « très probable que les systèmes météorologiques resteront la référence pour les prévisions à moyen terme en temps réel, tandis que le modèle statistique pourra être utilisé pour des études de processus, des simulations d'événements rares, des analyses statistiques ou des prévisions bon marché pour un champ d'application ciblé, ou éventuellement des prévisions sous-saisonnières ou saisonnières ».