Google crée un réseau de neurones capable de prédire s'il va pleuvoir à la minute près

Google a créé un système basé sur des réseaux de neurones à même de savoir s'il va pleuvoir à court terme avec une rapidité et une précision qui pourraient changer la donne dans les zones géographiques sujettes aux aléas climatiques, où les crises doivent être mieux gérées. L’intégration de l'outil doit encore être imaginée, l’étude n’en étant qu’à ses prémices.

Google crée un réseau de neurones capable de prédire s'il va pleuvoir à la minute près

Une révolution serait-elle en vue en matière de prévisions météorologiques à très court terme ? Dans une note de blog, Google a annoncé lundi 13 janvier 2020 avoir mis au point un réseau de neurones capable de prédire les précipitations de manière plus précise et sur des zones géographiques affinées par rapport aux prévisions "dans l'heure" actuelles de l'agence météorologique nationale des Etats-Unis.

Aujourd'hui, ces prévisions sont établies par le biais de simulations, basées sur des relevés au sol et des observations satellite, et sont réalisées par des supercalculateurs. Les mêmes modèles qui servent à prédire la météo au cours des 10 prochains jours sont utilisés pour prévoir la pluie dans l'heure qui vient. Si leur précision a augmenté à mesure que les supercalculateurs devenaient plus puissants, le temps nécessaire au calcul limite le nombre de "rafraîchissements" journaliers du modèle à trois ou quatre, et les données utilisées sont toujours vieilles de plusieurs heures. La précision géographique est par ailleurs limitée à des zones de 5 kilomètres pour des raisons de lourdeur de traitement.

ENTRAÎNER à PARTIR D'IMAGES RADAR

C’est là que l'approche de Google pourrait changer la donne. Plutôt qu'une simulation des forces physiques de l'atmosphère, les chercheurs ont entraîné un réseau de neurones à partir d'images de la couverture nuageuse provenant de radars atmosphériques. Pour cela, la firme de Mountain View a nourri ses algorithmes avec des images radar de l’ensemble du territoire américain, collectées par l’Agence américaine d’observation océanique et atmosphérique (NOAA) entre 2017 et 2019. En prenant des périodes de quatre semaines, le système a été entraîné avec les données des trois premières semaines – à raison de 30 images par heure, prises avec deux minutes d'écart – et est parvenu à réaliser les bonnes prédictions pour la quatrième grâce à une analyse purement visuelle.

Le résultat est un système capable de fournir une prédiction toutes les deux minutes, et avec une précision géographique "10 fois plus élevée" que celle du modèle classique, d'après Google. Un faible latence qui s'avérerait être un atout pour les endroits soumis à des événements violents comme des tempêtes. "Il s’agit de s’adapter efficacement au changement climatique, en particulier pour les conditions extrêmes. C’est une avancée dans le cadre de la gestion des crises, via la réduction des pertes en vies humaines et en biens", écrit Jason Hickey, ingénieur logiciel chez Google Research.

A gauche, les prévisions HRRR standards de la NOAA ; au centre, les conditions réelles ; à droite, le modèle de Google.

Des prévisions extrêmement précises sur le temps court

A noter que cette technique ne donne de meilleurs résultats que la simulation que sur le temps court. "Pour des prévisions au-delà de six heures, les simulations 3D actuelles restent meilleures pour l'instant", reconnaît Jason Hickey. Si l’intérêt reste, à cette heure, modéré pour des bulletins météo grand public, il est pertinent pour des besoins spécifiques – tels que des opérations de sauvetage.

Il est important de signaler que l’étude, publiée sur le site de l’université américaine de Cornell, n’a pas encore été revue par des pairs. Aucun moyen d’intégration aux outils des météorologues n’a, non plus, été préconisé. Ces recherches sur l’application du machine learning en matière de prévisions météorologiques sont néanmoins alignées avec celles menées par de nombreuses entreprises, parmi lesquelles IBM ou Monsanto. Toutes ont, à date, pointé la nécessité de nouvelles techniques pour réaliser des bulletins sur le temps court. Avant, peut-être, de les combiner aux schémas complexes utilisés actuellement pour réaliser des prévisions à dix jours.