L’IA, un nouvel allié pour les météorologues

La pré­vi­sion du temps est aujourd’­hui une pra­tique cou­rante : pour ce faire, les météo­ro­logues uti­lisent des modèles de simu­la­tion de l’at­mo­sphère. Météo-France ren­force régu­liè­re­ment ses capa­ci­tés de cal­cul inten­sif, la qua­li­té des modèles de pré­vi­sion numé­rique du temps et l’exploitation des don­nées d’observation per­met­tant de les initialiser.

Les recherches menées au CNRM, en col­la­bo­ra­tion avec de nom­breux par­te­naires natio­naux et inter­na­tio­naux, portent sur la com­pré­hen­sion de l’environnement atmo­sphé­rique et ses inter­ac­tions avec les sur­faces conti­nen­tales et océa­niques. Le CNRM déve­loppe et uti­lise des outils d’observation pour amé­lio­rer la com­pré­hen­sion des pro­ces­sus, déployés notam­ment sur des sites d’observation. Il œuvre éga­le­ment pour le déve­lop­pe­ment de modèles per­met­tant de faire des simu­la­tions numé­riques de l’évolution de l’atmosphère et de ses inter­faces à l’échelle de quelques heures, quelques jours, voire d’une durée beau­coup plus longue. Ces modèles fonc­tionnent à des échelles spa­tiales mul­tiples, de l’ordre de quelques dizaines de mètres à des cen­taines de kilo­mètres, voire à l’échelle de la planète.

Ces modèles météo­ro­lo­giques sont uti­li­sés pour pré­voir le temps, mais aus­si étu­dier l’évolution du cli­mat au moyen de pro­jec­tions cli­ma­tiques. Il existe un cer­tain nombre d’outils de modé­li­sa­tion, comme les modèles Arpège et Arome par exemple. Arpège est uti­li­sé pour simu­ler l’atmosphère à l’échelle de la pla­nète entière (il couvre l’Eu­rope avec une maille de l’ordre de 5 km de taille hori­zon­tale et le reste du globe avec des mailles variant de 5 à 24 km). Arome couvre quant à lui un domaine limi­té à la France métro­po­li­taine et aux pays voi­sins avec une réso­lu­tion hori­zon­tale de 1,3 km, et est éga­le­ment déployé sur des régions d’outremer.

Arome a été conçu pour fonc­tion­ner sur une par­tie du monde seule­ment, qui peut être cen­trée sur cer­tains ter­ri­toires outre­mer et d’autres lieux d’intérêt. Ce modèle per­met d’améliorer la pré­vi­sion à courte échéance de phé­no­mènes dan­ge­reux tels que les fortes pluies médi­ter­ra­nées (« épi­sodes médi­ter­ra­néens »), les orages vio­lents, le brouillard ou les îlots de cha­leur urbaines en période de cani­cule. Il per­met de réa­li­ser des simu­la­tions avec une réso­lu­tion très fine, en « décou­pant » l’atmosphère en petits cubes (« mailles ») pour résoudre les équa­tions qui régissent les pro­ces­sus phy­siques dans l’atmosphère et aux interfaces. 

Les résul­tats bruts de ces simu­la­tions doivent être trai­tés pour pro­duire des pré­vi­sions dans un cadre opé­ra­tion­nel. Dans ce contexte, le CNRM uti­lise de plus en plus des méthodes sta­tis­tiques avan­cées, y com­pris d’intelligence arti­fi­cielle (IA), pour com­bi­ner les pré­vi­sions pas­sées avec ce qui a été obser­vé, afin d’ajuster les résul­tats des modèles afin qu’ils soient aus­si per­ti­nents que pos­sibles par rap­port aux observations.

L’IA est un outil métho­do­lo­gique qui émerge depuis plu­sieurs années. Elle peut per­mettre d’accélérer l’exécution d’un modèle météo­ro­lo­gique et ain­si réduire son coût de cal­cul. Par exemple, un des aspects les plus coû­teux dans l’exécution des modèles est la réso­lu­tion des équa­tions com­plexes qui régissent le trans­fert radia­tif à tra­vers l’atmosphère, à tra­vers les nuages, et les inter­ac­tions des rayons lumi­neux avec la sur­face de la terre ou de l’océan. Des tra­vaux de recherche pour­raient per­mettre à l’avenir d’accélérer l’exécution du modèle en sub­sti­tuant cer­taines réso­lu­tions expli­cites des équa­tions phy­siques par des résul­tats obte­nus grâce à l’apprentissage auto­ma­tique. Cer­tains tra­vaux vont jusqu’à sug­gé­rer le rem­pla­ce­ment pur et simple des modèles de pré­vi­sion résol­vant les équa­tions phy­siques, par une ému­la­tion des sys­tèmes de pré­vi­sion par appren­tis­sage profond. 

Autre appli­ca­tion de l’IA : le post-trai­te­ment des résul­tats de modé­li­sa­tion, des pré­vi­sions météo­ro­lo­giques. Ce pro­ces­sus per­met de cor­ri­ger cer­taines erreurs sys­té­ma­tiques en sor­tie des modèles afin de rendre la pré­vi­sion plus conforme aux obser­va­tions dans des cir­cons­tances ana­logues. Il per­met aus­si de détec­ter les struc­tures cor­res­pon­dant à des phé­no­mènes à enjeux, ce qui est d’autant plus dif­fi­cile que les pré­vi­sions s’effectuent de plus en plus dans le cadre de pré­vi­sions d’ensemble, per­met­tant de mieux prendre en compte les incer­ti­tudes des pré­vi­sions. Par­mi les tra­vaux en cours au CNRM, signa­lons par exemple des tra­vaux visant à amé­lio­rer la détec­tion dans les résul­tats de simu­la­tions numé­riques d’orages par­ti­cu­liè­re­ment vio­lents, qui sont des phé­no­mènes extrê­me­ment impor­tants à détec­ter mais dif­fi­ciles à pré­voir (voir réfé­rence Mou­nier et al., 2022). 

Pour pro­duire des pré­vi­sions météo de plus en plus riches, une des approches rete­nues consiste à réduire l’échelle spa­tiale sur laquelle elles fonc­tionnent, ce qui per­met de repré­sen­ter des pro­ces­sus phy­siques que l’on sait résoudre à plus petite échelle. Comme men­tion­né pré­cé­dem­ment, le sys­tème de pré­vi­sion Arome, par exemple, opère actuel­le­ment à une réso­lu­tion hori­zon­tale de 1,3 km. Une réso­lu­tion plus éle­vée per­met­trait de repré­sen­ter des pro­ces­sus à plus petite échelle encore, par exemple ceux qui conduisent à des orages à fort impact très loca­li­sés. Tou­te­fois, un modèle à haute réso­lu­tion ne garan­tit pas que l’on puisse iden­ti­fier exac­te­ment l’emplacement des phé­no­mènes ora­geux les plus intenses. Les orages sont des phé­no­mènes épars, et non des évé­ne­ments éten­dus sur de grandes par­ties du ter­ri­toire, comme le sont les cani­cules, et sont donc plus dif­fi­ciles à pré­voir du point de vue de leur occur­rence, loca­li­sa­tion et inten­si­té. Les obser­va­tions jouent un rôle fon­da­men­tal pour ini­tia­li­ser les sys­tèmes de pré­vi­sion météo­ro­lo­gique, avec des méthodes que l’on appelle « l’assimilation de données ».

Des tra­vaux sont en cours afin d’exploiter des obser­va­tions plus inno­vantes telles que les don­nées dites d’« oppor­tu­ni­té », col­lec­tées par des outils par­ti­ci­pa­tifs, notam­ment les sta­tions météo connec­tées indi­vi­duelles, par exemple. Ces don­nées sont col­lec­tées par l’entreprise qui com­mer­cia­lise ces ins­tru­ments et per­mettent d’enrichir nos infor­ma­tions sur l’état de l’atmosphère, même si la qua­li­té intrin­sèque n’est pas au même niveau que celle du réseau conven­tion­nel d’observations de Météo-France et de ses homo­logues internationaux.

Il y a éga­le­ment des évo­lu­tions dans les obser­va­tions obte­nues à par­tir d’avions et de navires, ain­si que de bal­lons, équi­pés de sondes, qui sont envoyés plu­sieurs fois par jour dans l’atmosphère. Et puis, il y a aus­si de nom­breuses obser­va­tions effec­tuées par des satel­lites, soit géo­sta­tion­naires, soit défi­lants, qui donnent une vision sur de très grandes échelles spa­tiales. Les pre­miers four­nissent une vue per­ma­nente de la face de la Terre qui nous concerne avec des cap­teurs infra­rouges, par exemple. Les deuxièmes font le tour de la Terre plu­sieurs fois par jour et apportent des obser­va­tions le long de leur tra­jec­toires avec des obser­va­tions plus détaillées. Les avan­cées scien­ti­fiques et tech­no­lo­giques per­mettent ain­si de dis­tin­guer depuis l’es­pace des objets météo­ro­lo­giques de plus en plus petits, ce qui est cru­cial pour carac­té­ri­ser l’é­tat de l’at­mo­sphère et amé­lio­rer la pré­vi­sion de son évolution.

Propos recueillis par Isabelle Dumé

Pour aller plus loin :

• Mou­nier, A., et al., Detec­tion of Bow Echoes in Kilo­me­ter-Scale Fore­casts Using a Convo­lu­tio­nal Neu­ral Net­work, Arti­fi­cial Intel­li­gence for the Earth Sys­tems, 1(2), e210010. https://journals.ametsoc.org/view/journals/aies/1/2/AIES-D-21–0010.1.xml, 2022.
• Rap­port Recherche 2021 de Météo-France qui fait réfé­rence à plu­sieurs tra­vaux récents au CNRM sur les modèles de pré­vi­sion météo­ro­lo­gique : http://​www​.umr​-cnrm​.fr/​I​M​G​/​p​d​f​/​r​_​r​_​2​0​2​1​-​f​r​_​w​e​b.pdf