Compréhension du rôle des données météorologiques pour la prévision de la surface terrestre à l’aide d’un modèle basé sur ConvLSTM

Le changement climatique constitue peut-être la menace la plus importante pesant sur l’humanité et l’environnement, en raison de ses impacts sévères sur la surface terrestre, qui abrite la majorité des espèces vivantes. Inspirés par les méthodes de prédiction vidéo et exploitant la disponibilité des images Copernicus Sentinel-2, des études récentes ont tenté de prévoir l’évolution de la surface terrestre en fonction de son évolution passée, de l’élévation du terrain et des conditions météorologiques. En élargissant davantage ce paradigme, nous proposons un modèle basé sur un réseau de mémoire à long et court terme convolutif (ConvLSTM), qui est à la fois computationnellement efficace (léger) tout en obtenant des résultats supérieurs aux modèles précédents. En introduisant une architecture basée sur le ConvLSTM à ce problème, nous pouvons non seulement intégrer des sources de données hétérogènes (séries temporelles Sentinel-2, données météorologiques et modèle numérique d’élévation, ou DEM), mais aussi conditionner explicitement les prédictions futures sur les conditions météorologiques. Nos expérimentations confirment l’importance cruciale des paramètres météorologiques pour comprendre la dynamique des couvertures terrestres, et montrent que les cartes météorologiques sont nettement plus pertinentes que le DEM dans cette tâche. En outre, nous menons des simulations génératives afin d’étudier l’impact d’une variation d’un seul paramètre météorologique sur l’évolution de la surface terrestre. Toutes ces études sont réalisées à l’aide du jeu de données EarthNet2021. Le code, les matériaux supplémentaires et les résultats sont disponibles à l’adresse suivante : https://github.com/dcodrut/weather2land.