L'équipe Microsoft Remporte Un Concours De Données En Améliorant Considérablement La Précision Des Prévisions Météorologiques
Par Super Neuro
Description du scénario :L’équipe de recherche de Microsoft a utilisé la technologie d’apprentissage automatique pour améliorer considérablement la précision des prévisions de température et de précipitations dans les prévisions climatiques saisonnières. Offre une commodité aux endroits qui dépendent des prévisions météorologiques.
Mots-clés:Apprentissage automatique, prévisions météorologiques, IA pour la Terre
Vous avez dû vous faire avoir par les prévisions météorologiques. Mais peu importe à quel point les prévisions météorologiques sont peu fiables, les gens les apprécient toujours car la météo est étroitement liée à nous. Par exemple, dans la planification agricole, il est nécessaire de faire des prévisions aussi précises que possible pour être pleinement préparé aux conditions climatiques à venir.
Lester Mackey, chercheur en apprentissage automatique chez Microsoft Research Cambridge, a noté que les prévisions actuelles sont que pour les deux à six prochaines semaines, « ce n'est qu'une question de chance ». Pour remédier à cette situation, il a appliqué son expertise en IA aux prévisions météorologiques afin d’augmenter les chances de prédictions précises.
En utilisant des techniques d’apprentissage automatique, Mackey et son équipe ont développé une technologie de pointe.Lors d'un concours de prévisions météorologiques sous-saisonnières organisé par le Bureau of Reclamation des États-Unis, le modèle de leur équipe s'est avéré bien plus précis que le modèle standard précédent.L’objectif de ce concours est de résoudre les problèmes de gestion des ressources en eau, notamment en répondant aux changements des conditions hydrologiques et en prévenant à l’avance les sécheresses ou les inondations.
Le projet de recherche de l’équipe de Mackey a également reçu le soutien du programme AI for Earth de Microsoft pour les encourager à utiliser la technologie pour apporter de plus grandes contributions à la société.
Quand l'apprentissage automatique et la prévision météorologique entrent en collision
Mackey ne connaissait pas grand-chose aux prévisions météorologiques et climatiques jusqu'à ce qu'il rencontre son futur collaborateur, le climatologue Judah Cohen de l'Atmospheric and Environmental Research.
Cohen a précédemment travaillé dans le conseil en risques climatiques et était passionné par la recherche sur les prévisions météorologiques. Mais les lacunes des méthodes traditionnelles ont ralenti ses progrès, il a donc essayé d’apporter des améliorations grâce à l’apprentissage automatique.
Cohen a contacté Mackey parce qu'il a appris que Mackey était doué en technologie d'apprentissage automatique, qui pouvait collecter des informations efficaces à partir de données météorologiques et climatiques historiques pour l'aider à améliorer ses méthodes de prévision.
Encouragé par Cohen, Mackey a progressivement réalisé l’applicabilité et les avantages de l’apprentissage automatique dans ce domaine. Ils ont alors entamé une collaboration approfondie, combinant leurs domaines d’expertise.
Pendant un certain temps, il était courant d’analyser et de prédire la météo à partir de données historiques, mais dans les années 1980, cette méthode était tombée en désuétude. Depuis lors, les simulations de modèles physiques de l’évolution de l’atmosphère et de l’océan dominent l’industrie. À mesure que la puissance de calcul a augmenté de façon exponentielle, ces modèles sont devenus de plus en plus sophistiqués et populaires.
« Aujourd’hui, les principaux centres climatiques utilisent de grands superordinateurs pour simuler le mouvement de l’atmosphère et de l’océan », a déclaré Mackey. Avec les progrès technologiques, les prévisions se sont améliorées, mais les données historiques ont été moins prises en compte. L'approche courante consiste désormais à extrapoler les équations différentielles des conditions météorologiques actuelles pour établir des prévisions.
Mais Mackey et Cohen avaient d’autres plans. Ils espèrent intégrer la grande quantité d’informations issues des données historiques dans les prévisions sous-saisonnières.
Lucas Joppa, directeur environnemental de Microsoft pour AI for Earth, a déclaré :« Mackey travaille sur un problème complexe, et l’avantage est que la technologie qu’il explore se révèle très utile dans les prévisions météorologiques et a une grande applicabilité dans des domaines sociaux et économiques plus larges. »
Le concours a été utilisé pour tester les eaux, mais les résultats ont été…
Alors que la collaboration de recherche de Mackey et Cohen se développait, Cohen a reçu un avis d'un concours parrainé par le Bureau of Reclamation des États-Unis pour améliorer la précision des prévisions météorologiques telles que la température et les précipitations dans l'ouest des États-Unis.
Mackey a déclaré que les modèles actuels disposent de méthodes relativement matures à court et à long terme : pour les modèles météorologiques à sept jours, les performances sont déjà assez bonnes ; et pour les prévisions à très long terme, par exemple sur un à plus de dix ans, les modèles de prévision climatique sont également bien développés.
Mais les prévisions sous-saisonnières constituent une étape intermédiaire qui repose sur une combinaison de variables qui influencent la météo à court terme, comme la température quotidienne et le vent, ainsi que des facteurs saisonniers comme El Niño et la glace de mer arctique.De ce fait, il est difficile de faire des prévisions.
Pendant les 13 mois de la compétition, ils doivent constamment faire des prévisions météorologiques pour les 3 à 4 semaines ou les 5 à 6 semaines à venir. Le concours comprenait des prévisions de précipitations et de température.
Pour faire de meilleures prédictions, ils ont utilisé deux méthodes d’apprentissage automatique différentes. L’une d’elles consiste à appliquer une variété de données, notamment des relevés de température et de précipitations dans des données historiques, ainsi qu’un ensemble de modèles de prévision physique tels que la concentration de glace de mer et le phénomène El Niño (correspondant à MultiLLR). L'autre consiste à n'utiliser qu'une seule donnée historique du projet à traiter (correspondant à AutoKNN).
« Nous faisons des prévisions toutes les deux semaines, et entre-temps, il s’agit principalement d’acquérir de nouvelles données, de les traiter, de construire l’infrastructure pour tester de nouvelles méthodes, puis de développer de nouvelles méthodes et de les évaluer », explique Mackey. « Ensuite, nous nous arrêtons, faisons une prévision et répétons l’opération pendant les deux semaines suivantes. »
En fin de match, l’équipe de Mackey a essayé une combinaison des deux approches et a obtenu les meilleures prédictions. Les résultats du concours ont également été annoncés le 7 mars, heure américaine.
L'équipe de Mackey et Cohen a obtenu des résultats impressionnants, se classant première dans la prévision des températures à trois ou quatre semaines et deuxième dans la prévision des précipitations totales à cinq ou six semaines.
La météo est annoncée, mais qu'en est-il de leur avenir ?
Les détails techniques pertinents et les résultats de recherche ont été publiés par l'équipe dans un article sur arXiv.org. Pour encourager davantage de personnes à participer à ce défi, ils ont également rendu public l’ensemble de données créé.
Adresse du document : https://arxiv.org/pdf/1809.07394.pdf
Adresse du jeu de données : https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/IHBANG
Le programme AI for Earth de Microsoft fournit un financement à Mackey et à ses collègues pour encourager davantage de personnes à développer et à améliorer leurs techniques prédictives basées sur l’apprentissage automatique.
De plus, l'IA pour la Terre de Microsoft a l'intention de fournir à Mackey et à son équipe davantage de financement pour agrandir l'équipe et améliorer leurs recherches.
Kenneth Nowak, chercheur en ressources en eau au Bureau of Reclamation des États-Unis, a déclaré :« Nous espérons que cette méthode sera encore améliorée et appliquée dans un plus large éventail de domaines. »Il a ajouté :L'agence gouvernementale « cherchera davantage d'opportunités d'utiliser l'apprentissage automatique » dans les prévisions météorologiques.
Chohen et Mackey ont réalisé une étude révolutionnaire par curiosité sur la valeur potentielle de l’IA dans les prévisions climatiques sous-saisonnières. Chohen est également plein d’attentes pour son prochain travail.Je vois les avantages de l'apprentissage automatique. Ce n'est pas la fin, c'est plutôt le début, et il nous reste encore beaucoup de travail à accomplir.
