Un modèle combinant les paramètres physiques et l’apprentissage automatique permet de prédire les marées de tempête

Les marées de tempête, phénomènes redoutables aux conséquences souvent dévastatrices, représentent un défi majeur pour les scientifiques. Afin de mieux prédire ces crues soudaines et destructrices, un modèle novateur combinant les paramètres physiques et l’apprentissage automatique a été développé. Cette approche prometteuse ouvre de nouvelles perspectives pour anticiper et atténuer les effets des marées de tempête, améliorant ainsi notre capacité à prévenir les dommages causés par ces événements extrêmes.

Prévoir les marées de tempête grâce aux modèles physiques et à l’apprentissage automatique

La prédiction des événements extrêmes est essentielle pour préparer et protéger les régions vulnérables, surtout en cette période de changements climatiques. Pour répondre à ce besoin, une approche innovante combine les paramètres physiques et les algorithmes d’apprentissage automatique afin de prévoir les marées de tempête avec une précision accrue.

Le port de Santos au cœur de l’étude

La ville de Santos, située sur la côte de l’État de São Paulo au Brésil, est le plus grand port d’Amérique latine. Elle fait face à des menaces significatives de marées de tempête affectant ses infrastructures et ses écosystèmes locaux. Une étude récente, coordonnée par Anna Helena Reali Costa de l’Université de São Paulo, a mis en lumière cette problématique en se focalisant sur Santos. Les résultats ont été publiés dans les Proceedings of the AAAI Conference on Artificial Intelligence.

Approche basée sur l’apprentissage automatique informé par la physique

Les modèles traditionnels utilisés pour prédire les hauteurs des vagues, les marées astronomiques et d’autres phénomènes marins reposent sur des équations différentielles intégrant des informations temporelles et spatiales. Cependant, ces modèles sont souvent complexes et se basent sur diverses hypothèses simplificatrices.

Pour améliorer ces prévisions, les chercheurs ont développé un modèle combinant l’apprentissage automatique avec les données physiques existantes. Cette approche, connue sous le nom de physique informée par l’apprentissage automatique (PIML), permet d’affiner les modèles physiques en ajoutant des données mesurées en temps réel.

Défis techniques et solutions innovantes

Une des principales difficultés de l’utilisation des données de capteurs est leur nature irrégulière, avec des problèmes tels que les données manquantes, les décalages temporels et les variations de fréquence d’échantillonnage. Les capteurs peuvent parfois mettre plusieurs jours à être remis en ligne, ce qui complique la continuité des prévisions.

Pour remédier à cela, les chercheurs ont développé une technique innovante permettant de représenter le passage du temps dans les réseaux neuronaux. Cela permet au modèle de comprendre la position et la taille des fenêtres de données manquantes, ce qui améliore les prévisions de hauteur des marées et des vagues.

Intégration de types de données multiples

Au-delà des données de capteurs, le modèle combine différents types de réseaux neuronaux pour intégrer des modalités de données variées, telles que les images satellites, les tableaux et les prévisions des modèles numériques. Cette approche multimodale permet une plus grande robustesse et adaptabilité des systèmes de prévision face à la complexité et la variabilité des événements météorologiques extrêmes.

Vers des prévisions plus précises et fiables

Le modèle développé présente trois vertus clés :

• Il combine des modèles physiques et numériques.
• Il représente le temps de manière innovante dans les réseaux neuronaux.
• Il gère des données sous différents formats grâce à une architecture multimodale.

Cette méthodologie améliore la précision des prévisions d’événements extrêmes comme les marées de tempête à Santos, mettant en lumière les défis et les solutions potentielles pour l’intégration des modèles physiques et des données de capteurs dans des contextes complexes.

Le modèle présente une avancée significative dans la prévision des marées de tempête, offrant des réponses plus précises et sûres face aux défis climatiques actuels.