L’intelligence artificielle et les observations satellitaires au service des prévisions météorologiques

Résultat scientifique Océan Atmosphère

Comment faire des prévisions météorologiques de qualité ? En utilisant les meilleurs modèles de prévision numérique du temps et en les contraignant avec les meilleures observations disponibles avec des techniques statistiques dites d’assimilation de données. Pour un résultat optimal, les observations assimilées doivent être adaptées au formalisme du modèle. Des chercheurs de laboratoires français1 ont démontré qu’en utilisant des techniques d’intelligence artificielle, en l’occurrence des réseaux de neurones, et des observations du satellite SMOS (ESA, CNES), il est possible de générer des données d’humidité du sol avec des propriétés optimales pour être assimilées et ainsi contribuer à l’amélioration des prévisions météorologiques à courte ou moyenne échéance.

  • 1. Le Centre d’Études Spatiales de la Biosphère (CESBIO/OMP, UPS / CNES / CNRS / IRD), le Laboratoire d’Études du Rayonnement et de la Matière en Astrophysique et Atmosphères (LERMA, CNRS/Observatoire de Paris / ENS / UPMC / UCP) et le Centre National de Recherches Météorologiques (CNRM, Météo-France/CNRS), en collaboration avec le Centre Européen pour les Prévisions Météorologiques à Moyen Terme (CEPMMT/ECMWF),

La prévision numérique du temps repose sur la résolution d’équations qui modélisent le fonctionnement du système Terre (atmosphère, océans et surfaces continentales) à l’aide de supercalculateurs parmi les plus performants au monde. Cependant, même les meilleurs modèles peuvent tirer parti des observations de l’atmosphère, des océans et des surfaces continentales pour améliorer leurs performances. L’assimilation de données permet d’intégrer ces observations de manière cohérente avec la représentation des processus dans ces modèles.

Les techniques d’assimilation prennent en compte les incertitudes des prévisions du modèle et des observations pour définir de façon dynamique l’état le plus probable du système, qui est ensuite utilisé comme condition initiale pour une nouvelle prévision. Aujourd’hui, les centres de prévisions météorologiques tels que le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) assimilent plusieurs fois par jour des millions d’observations provenant d’une multitude de capteurs situés au sol, sur des bateaux, des avions ou des satellites.

En particulier, l’humidité du sol est une variable clé, car elle contrôle les échanges d’eau et d’énergie entre la surface continentale et l’atmosphère. Pour être assimilées, les observations d’humidité du sol doivent être compatibles en moyenne à l’échelle globale avec le modèle, ce qui implique que des corrections doivent être appliquées aux observations avant leur assimilation. En 2004, des chercheurs du LERMA ont proposé une méthode qui utilise des réseaux de neurones artificiels, avec des données satellitaires en entrée et des estimations du modèle de l’humidité du sol comme référence d’apprentissage. Cette méthode présente l’avantage que les données ainsi générées sont, par construction, compatibles avec le modèle et peuvent être assimilées de façon optimale.

Des chercheurs du CESBIO, du LERMA et du CNRM, en collaboration avec le CEPMMT et l’ESA, ont récemment démontré l’intérêt de cette technique basée sur l’intelligence artificielle. Grâce à la sensibilité du satellite SMOS (Soil Moisture and Ocean Salinity) de l’ESA, premier instrument spécifiquement conçu pour l’estimation depuis l’espace de l’humidité du sol, il a été possible d’entraîner un réseau de neurones pour obtenir des estimations optimales en vue de leur assimilation dans le modèle du CEPMMT.

Les résultats, récemment publiés dans la revue Remote Sensing, montrent que l’assimilation des humidités des sols estimées par des réseaux de neurones permet d’améliorer la représentation des variables atmosphériques proches de la surface telles que la température ou l’humidité relative à 2 m. Cet impact positif est surtout évident dans l’hémisphère nord, pourtant bien contraint par les observations in situ, et ce jusqu’à une échéance de trois jours.

Ces résultats prometteurs ont conduit à la mise en œuvre de l’assimilation des données SMOS dans le système opérationnel de prévision du CEPMMT. Cette version a été implémentée dans son « Integrated Forecast System » (IFS) le 11 juin 2019.

Effet de l’assimilation des données de température et d’humidité relative à 2 m et de l’humidité du sol produite par réseaux de neurones à partir de données SMOS sur la température de l’air prévue à 850 hPa pour différentes échéances (sur juillet-septembre). Les différents panneaux montrent la diminution de l’erreur quadratique moyenne (en bleu) après assimilation de ces données.

Sources

N. Rodriguez-Fernandez, P. de Rosnay, C. Albergel, P. Richaume, F. Aires, C. Prigent, Y. Kerr. SMOS Neural Network Soil Moisture Data Assimilation in a Land Surface Model and Atmospheric Impact Remote Sensing (2019) doi: 10.3390/rs11111334

Contact

Nemesio Rodriguez-Fernandez
CESBIO/OMP