Objectifs et données d'entrée
Pour créer les COALITION-4 produits de prévision immédiate, les données des radars terrestres et des éclairs, les observations par satellite et les prévisions des modèles météorologiques sont analysées à l'aide de méthodes d'apprentissage automatique (intelligence artificielle). Celles-ci sont capables de visualiser des processus non linéaires multivariés de systèmes complexes et de prendre en compte un grand nombre de prédicteurs. Les prédicteurs sont des informations sur lesquelles la prévision est basée : Les données radar fournissent des informations sur les hydrométéores (pluie, grêle, cristaux de glace, etc.), tandis que les capteurs satellites d'imagerie observent les nuages. Quant au modèle météorologique, il calcule par exemple la teneur en vapeur d'eau de l'atmosphère. Les prédicteurs permettent de caractériser l'état actuel de l'orage et de l'environnement atmosphérique et d'estimer son évolution future. Étant donné qu'il existe de nombreux prédicteurs possibles, il convient de les sélectionner en tenant compte de notre connaissance des processus dynamiques et physiques sous-jacents.
Les étapes suivantes ont déjà été franchies dans le cadre de ce projet :
- Préparation de l'utilisation des observations des missions du satellite imageur MTG pour la prévision immédiate des orages en utilisant des observations qualitativement similaires de GOES ABI et GOES GLM comme données précurseurs pour les mesures MTG dans un algorithme de développement. Les résultats ont été publiés dans Leinonen et al, 2021a.
- Développement d'une architecture d'apprentissage profond pour la prévision immédiate des risques d'orage. Tout d'abord, des réseaux neuronaux convolutifs ont été mis en œuvre, capables d'analyser les structures spatiales des données d'entrée (par exemple, de l'enclume de l'orage ou de l'image radar) à l'aide de couches convolutives. Pour tester notre modèle par rapport à d'autres solutions, nous avons participé au concours "Weather4cast 2021" organisé par l'Institut de recherche avancée en intelligence artificielle (IARAI) en collaboration avec Nowcasting-SAF. Notre modèle a obtenu la première place dans les séries Core et Transfer Learning de la compétition et dans la compétition IEEE Big Data. Les résultats ont été publiés dans Leinonen, 2021b et Leinonen, 2021c.
- Par la suite, l'architecture du modèle a été étendue. Des connexions récurrentes ont été introduites pour mieux capturer l'évolution temporelle des orages. L'architecture est ainsi devenue un réseau neuronal récurrent-convolutionnel (RCNN). En outre, il a été possible d'analyser davantage de prédicteurs avec une résolution spatiale différente. Ce modèle a ensuite été entraîné à prédire la foudre à court terme. Les résultats ont été publiés dans Leinonen et al, 2022.
- Le modèle a ensuite été étendu à la prévision de la grêle et des fortes précipitations. En outre, l'importance des différentes variables d'entrée (telles que le radar, le satellite et le modèle météorologique) pour les différentes variables cibles (foudre, grêle et fortes précipitations) a été analysée. Les résultats ont été publiés dans Leinonen et al, 2023.