Comment les chercheurs de Google ont utilisé les réseaux de neurones pour faire des prévisions météorologiques

Google affirme que ses prévisions sont meilleures que les méthodes existantes, mais seulement pour 6 heures.

Une équipe de recherche de Google a mis au point un réseau neuronal profond qui permet de faire des prévisions rapides et détaillées des précipitations.

Les chercheurs affirment que leurs résultats constituent une amélioration spectaculaire par rapport aux techniques précédentes, et ce, de deux façons essentielles. La première est la vitesse. Selon Google, les principaux modèles de prévision météorologique actuels prennent de une à trois heures pour fonctionner, ce qui les rend inutiles si vous voulez une prévision météorologique d’une heure dans l’avenir. En revanche, Google affirme que son système peut produire des résultats en moins de 10 minutes – y compris le temps de collecte des données des capteurs situés partout aux États-Unis.

Ce délai d’exécution rapide reflète l’un des principaux avantages des réseaux neuronaux. Si la formation de ces réseaux est longue, il faut beaucoup moins de temps et de puissance de calcul pour appliquer un réseau neuronal à de nouvelles données.

Un deuxième avantage : une résolution spatiale plus élevée. Le système de Google décompose les États-Unis en carrés de 1 km de côté. Google note que dans les systèmes conventionnels, par contre, « les demandes de calcul limitent la résolution spatiale à environ 5 kilomètres ».

Mettez-les ensemble et vous pourriez avoir un système de prévision beaucoup plus utile pour les décisions à court terme. Si vous envisagez de faire une promenade à vélo, par exemple, vous pourriez consulter les prévisions de pluie minute par minute pour votre itinéraire spécifique. Les prévisions météorologiques conventionnelles d’aujourd’hui, par contre, pourraient vous indiquer qu’il y a 30 % de chances qu’il pleuve dans votre ville au cours des prochaines heures.

Cette animation compare un modèle météorologique du monde réel (au centre) à une prévision météorologique conventionnelle (à gauche) et à la propre prévision de Google (à droite). Les prévisions de Google sont beaucoup plus détaillées dans le temps et l’espace.

Google affirme que ses prévisions sont plus précises que les prévisions météorologiques classiques, du moins pour les périodes de moins de six heures.

 » Sur ces courtes périodes, l’évolution est dominée par deux processus physiques : l’advection pour le mouvement des nuages, et la convection pour la formation des nuages, qui sont tous deux fortement influencés par le terrain et la géographie locale « , écrit Google.

Au-delà, cependant, les choses commencent à s’effondrer. Pour des périodes plus longues, la modélisation classique basée sur la physique produit encore des prévisions plus précises, admet Google.

Comment fonctionne le réseau de neurones de Google

Il est intéressant de noter que le modèle de Google est  » sans physique  » : il ne repose sur aucune connaissance a priori de la physique atmosphérique. Le logiciel n’essaie pas de simuler les variables atmosphériques comme la pression, la température ou l’humidité. Il traite plutôt les cartes de précipitations comme des images et essaie de prédire les prochaines images de la série en se basant sur les clichés précédents.

Pour ce faire, il utilise des réseaux de neurones convolutionnels, la même technologie qui permet aux ordinateurs d’étiqueter correctement les images.

(Vous pouvez lire une plongée profonde sur les convolutional neural networks, CNNs, ici.)

Plus précisément, il utilise une architecture de réseau neuronal populaire appelée U-Net qui a d’abord été développée pour le diagnostic des images médicales. Le U-net comporte plusieurs couches qui sous-échantillonnent une image par rapport à sa forme initiale de 256 par 256, produisant une image à plus faible résolution où chaque  » pixel  » représente une plus grande région de l’image originale. Google n’explique pas les paramètres exacts, mais un U-Net typique peut convertir une grille de 256 x 256 en une grille de 128 x 128, puis convertir cette dernière en une grille de 64 x 64 et enfin en une grille de 32 x 32. Alors que le nombre de pixels diminue, le nombre de  » canaux  » – les variables qui capturent des données sur chaque pixel – augmente.

L’expérience a montré que ce processus de sous-échantillonnage aide un réseau neuronal à identifier les caractéristiques de haut niveau d’une image. Les valeurs à l’intérieur d’un réseau neuronal ne sont jamais faciles à interpréter explicitement, mais cette grille de 32 par 32 pixels peut implicitement capturer des variables importantes comme la température ou la vitesse du vent dans chaque région de l’image.

La deuxième moitié du réseau U-Net suréchantillonne ensuite cette représentation compacte, la ramenant à des représentations de 64, 128 et finalement 256 pixels. À chaque étape, le réseau copie les données de l’étape de sous-échantillonnage correspondante. L’effet pratique est que la couche finale du réseau possède à la fois l’image originale à pleine résolution et les données sommaires reflétant les caractéristiques de haut niveau déduites par le réseau neuronal.

Pour produire une prévision météorologique, le réseau prend comme données d’entrée une heure de cartes de précipitations antérieures. Chaque carte est un  » canal  » dans l’image d’entrée, tout comme une image conventionnelle a des canaux rouge, bleu et vert. Le réseau essaie ensuite de produire une série de cartes de précipitations reflétant les précipitations au cours de l’heure suivante.

Comme tout réseau neuronal, celui-ci est formé à partir d’exemples passés du monde réel. Des milliers de modèles de temps réel passés sont introduits dans le réseau, et le logiciel de formation ajuste les nombreux paramètres du réseau pour se rapprocher des résultats corrects pour chaque exemple de formation. Après avoir répété ce processus des millions de fois, le réseau devient assez bon pour estimer les régimes de précipitations futurs pour des données qu’il n’a jamais vues auparavant.

Voir en détail l’article de Google.

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.