Objectifs de la chaire
Prévoir précisément les conditions météorologiques futures est essentiel pour la sécurité des personnes et des biens, et pour la gestion d’un large éventail d’activités économiques.
Depuis le milieu du 20e siècle, les prévisions météorologiques reposent sur la modélisation physique de la dynamique atmosphérique.Des améliorations significatives et régulières de la qualité de ces prévisions sont obtenues, en particulier grâce à l’augmentation des ressources de calcul et à l’utilisation de nouvelles observations. La prévision précise des phénomènes locaux et à fort impact reste néanmoins difficile et coûteuse avec les outils de modélisation actuels.
Principal investigator
- Laure Raynaud (Researcher at Météo-France, HDR, CNRM)
- Laurent Risser (IR CNRS, HDR)
- Cassia Trojahn (Associate Professor, HDR, Université Toulouse 2)
L’intelligence artificielle (IA), et en particulier les méthodes d’apprentissage profond (deep learning) utilisant les réseaux de neurones, a été exploitée avec succès dans un grand nombre d’applications ces dernières années. La prévision météorologique ne fait pas exception, les utilisations de l’IA dans ce domaine sont potentiellement nombreuses et pourraient conduire à des avancées méthodologiques majeures, associées à des gains significatifs en performance et en qualité.
Cette chaire se concentrera sur l’une des perspectives les plus prometteuses pour l’utilisation du deep learning pour la prévision météorologique : le développement de nouvelles modélisations entièrement apprises sur les données. Cette approche sera exploitée pour la prévision probabiliste à l’échelle locale ; sa combinaison avec les modèles physiques existants sera également explorée.
En s’appuyant sur les publications récentes sur le sujet, des architectures à l’état de l’art, telles que les ‘Vision Transformers’, les réseaux de neurones sur graphes et des réseaux informés par la physique seront déployés. Les résultats fourniront ,d’une part un nouveau modèle combinant le deep learning et la physique pour une meilleure anticipation des événements extrêmes, d’autre part une évaluation approfondie de la qualité des prévisions obtenues avec les modèles actuels et avec les nouveaux modèles de deep learning, associée à des recommendations pour leur utilisation en conditions opérationnelles.
Co-chairs
-
- Valérie Masson (Directeur de recherche Météo-France, )
- Christophe Bovalo (Ingénieur R&D Eviden)
- Luciano Drozda (chercheur au Cerfacs)
- Kumar Mohanamuraly (chercheur au Cerfacs)
- Gwenael Kaminski (Associate Professor, HDR, Université Toulouse 2)
Au-delà des ruptures méthodologiques et technologiques susceptibles de résulter de ces travaux, un autre objectif de la chaire est de qualifier la robustesse et l’explicabilité des modèles de prévision basés sur l’apprentissage profond. Il s’agira en particulier d’appliquer certaines méthodes standards d’IA explicable (XAI) aux modèles développés, en les adaptant aux spécificités des données météorologiques. L’intégration de contraintes physiques dans la construction et l’entraînement des modèles de deep learning sera une autre façon de garantir leur qualité et de renforcer la confiance des utilisateurs dans ces nouveaux outils.
Pour qu’une avancée technologique devienne une révolution technologique, elle doit être acceptée par la société.Pour aller plus loin sur cet aspect, la chaire abordera d’une part, le transfert de connaissances en fournissant un cadre de formalisation des connaissances pour la sémantisation de l’ensemble du processus en vue d’un transfert de technologie adéquat, et d’autre part
l’acceptabilité sociale, l’objectif étant d’étudier les facteurs qui contribuent à l’acceptation des modèles de deep learning dans le contexte de leur utilisation pour la prévision météorologique.
Il s’agit d’un sujet relativement nouveau et émergent dans la communauté des sciences météorologiques. Les études psychologiques et sociologiques menées fourniront des mesures objectives, telles que la quantification des risques , et permettront de mieux définir les besoins d’explicabilité en fonction des groupes d’utilisateurs.
Ce projet de chaire s’inscrit pleinement dans les stratégies d’adaptation dans le contexte d’un climat changeant et de besoins accrus en matière de prévisions locales et précises. L’amélioration des prévisions météorologiques aura un un impact direct sur l’anticipation et le suivi en temps réel des phénomènes météorologiques extrêmes. Les résultats de la chaire permettront de mieux prévoir la localisation, l’intensité et la chronologie de ces événements , ce qui contribuera à améliorer les systèmes d’alerte et la capacité de préparation aux situations d’urgence.
L’amélioration des prévisions météorologiques permettra également de mieux prévoir des impacts indirects tels que les inondations, les glissements de terrain, la pollution de l’air ou les feux de forêt. En outre, les secteurs vulnérables tels que l’agriculture, l’énergie et les transports bénéficieront directement des prévisions de très haute qualité pour la gestion de leurs activités.
Pour atteindre ces objectifs ambitieux, la chaire propose une approche intégrée, soutenue par un consortium pluridisciplinaire réunissant des compétences complémentaires en matière de modélisation atmosphérique, de deep learning, ingénierie logicielle, mathématiques et sciences sociales.
- Explorer les méthodes d’apprentissage profond pour produire des prévisions météorologiques à l’échelle locale.
- Développer des stratégies d’optimisation et de parallélisation pour entraîner de grands modèles d’apprentissage sur des données de grandes dimensions.
- Développer des modèles d’apprentissage informés par la physique.
- Étendre et appliquer les diagnostics d’explicabilité existants pour analyser les relations apprises par les modèles de deep learning.
- Formaliser le transfert de connaissances.
- Évaluer l’acceptabilité des prévisions basées l’apprentissage profond pour différents groupes d’usagers.
- ATOS-Eviden : Development of Machine Learning emulators for weather forecasting, collaboration coordinated by L. Raynaud.
- MAGELLIUM : Hybrid Physics-DNN models in remote sensing, Cifre PhD thesis supervised by L. Risser and X. Briottet.
- Berger-Levrault : Extraction of regulatory information from unstructured documents, Cifre PhD supervised by C. Trojahn, M. Chevallier and B. Billami, 2021.
- Akkodis : Supervision by L. Risser of an Engineer made available by Akkodis to work on bias and explainability issues in high-dimensional machine learning.
- Thales Alenia Space : a semantic approach to characterizing change in the context of Earth observation using image processing and contextual data. Cifre PhD supervised by C. Trojahn, N. Aussenac-Gilles and Romain Hugues.
- Nouvelle génération de modèles de prévision météorologique associant la physique et les méthodes d’apprentissage profond
- Des modèles fiables et explicables sur des données à très haute dimension avec des contraintes physiques.
- Cadre de transfert de connaissances et caractérisation des différents facteurs qui contribuent à l’acceptation des méthodes d’apprentissage profond dans le contexte de la prévision météorologique.