Accueil > Thèmes de recherche > Intelligence artificielle > Utilisation des méthodes de Deep Learning pour la détection d’objets précipitants dans les prévisions AROME et AROME-PE

Utilisation des méthodes de Deep Learning pour la détection d’objets précipitants dans les prévisions AROME et AROME-PE

par Laure Raynaud

paru dans le Rapport de Recherche de Météo-France 2018 (ISSN : 2116-438X)

 

L’utilisation des prévisions de précipitations peut être améliorée grâce à un traitement adapté des champs en sortie des modèles. Une approche innovante et prometteuse consiste à extraire des champs prévus une information d’échelle plus large que la maille du modèle, et donc plus prévisible, sous la forme d’« objets précipitants stochastiques ». Ces objets sont définis par des contours flous à l’intérieur desquels la distribution des pluies, en terme d’intensité et / ou de variabilité spatiale (aussi appelée texture), est homogène. La détection automatique de ces objets est néanmoins complexe et plusieurs approches peuvent être envisagées. Une première méthode a été développée pour détecter des objets selon leur intensité à partir d’une mesure de similarité entre la distribution locale des pluies et des distributions de référence.

Une nouvelle méthode de détection, qui utilise un réseau de neurones convolutifs développé initialement pour la segmentation d’images médicales, a été évaluée. Entraîné sur les détections issues de l’algorithme existant, ce réseau fournit des résultats similaires en un temps de calcul réduit s’il est exécuté sur processeur graphique.

Déterminer la texture des pluies, en particulier leur caractère continu ou discontinu, est un deuxième aspect important pour définir précisément le temps ressenti, qui n’est pas encore traité par l’algorithme actuel. Des tests préliminaires avec un réseau de neurones entraîné sur une base d’apprentissage de petite taille fournissent des résultats encourageants.

À l’avenir, cette méthode pourrait permettre une détection simultanée de l’intensité et de la texture des pluies, puis une caractérisation plus fine des types de pluie incluant notamment les orages.

En haut : Pluies cumulées en 6 h (échelle en mm) prévues par le modèle AROME   (à gauche) et objets de pluie totale (jaune), modérée (orange) et forte (rouge) détectés par le réseau de neurones (à droite).

En bas : Pluies cumulées en 6 h (échelle en mm) prévues par le modèle AROME   (à gauche) et objets de pluie continue (bleu) et discontinue (rouge) détectés par le réseau de neurones (à droite).