Vous avez certainement déjà planifié une journée à la plage, vérifié la météo qui annonçait du soleil, puis vu la pluie commencer exactement au moment de votre arrivée. Cette situation, ou une situation semblable, nous est tous arrivée. Nous parlons toujours de la météo pour deux grandes raisons : elle a une influence importante sur nos vies et nos activités, et parfois nous n’avons rien de mieux à nous dire. Beaucoup de personnes s’entendent pour dire que les prévisions des prochaines heures semblent complètement aléatoires, surtout lorsqu’il est question de pluie.
Eh bien, il y a une raison : ce problème est extrêmement complexe. Ces prévisions météorologiques à court terme s’appellent la prévision immédiate des précipitations et utilisent différentes méthodes pour prédire ce qui se produira dans les deux prochaines heures. Elles reposent sur de puissants systèmes numériques qui prédisent la météo en résolvant des équations physiques. Ces systèmes sont plutôt performants pour les prévisions à long terme, mais ont du mal à produire une prévision détaillée exactement au-dessus de votre tête à un moment précis de la journée. C’est comme avec les statistiques. Il est facile de prédire ce qu’une personne moyenne fera dans une situation, mais presque impossible de prédire le comportement d’une personne précise. Si vous souhaitez approfondir ces modèles mathématiques, j’ai déjà expliqué leur fonctionnement plus en détail dans ma vidéo sur la prévision météorologique mondiale avec l’apprentissage profond. Même si nous disposons de beaucoup de données radar pour prédire ce qui va arriver, les méthodes mathématiques et probabilistes manquent de précision. Vous voyez probablement où je veux en venir. Quand il y a des données, il y a de l’IA.
« Un événement difficile survenu en avril 2019 au-dessus du Royaume-Uni, où la cible correspond au radar observé. Notre approche générative DGMR saisit mieux la circulation, l’intensité et la structure qu’une approche d’advection PySTEPS, et prédit avec plus de précision la pluie et son mouvement dans le nord-est. DGMR génère aussi des prédictions nettes, contrairement aux méthodes déterministes d’apprentissage profond comme U-Net. » Image tirée de l’article de blogue de DeepMind.
En effet, ce manque de précision pourrait disparaître à l’avenir, en partie grâce à DeepMind. L’entreprise vient de publier un modèle génératif qui a surpassé les méthodes de prévision immédiate les plus utilisées dans 89 % des situations pour sa précision et son utilité, selon l’évaluation de plus de 50 météorologues experts! Son modèle se concentre sur les précipitations des deux prochaines heures et les prédit étonnamment bien. Comme nous venons de le voir, il s’agit d’un modèle génératif, ce qui signifie qu’il génère les prévisions plutôt que de simplement les prédire. Essentiellement, il utilise les données radar passées pour créer de futures données radar. Il exploite donc les dimensions temporelles et spatiales du passé pour générer ce à quoi le futur proche pourrait ressembler.
Vous pouvez comparer cela aux filtres Snapchat, qui prennent votre visage et en génèrent une nouvelle version modifiée. Pour entraîner un tel modèle génératif, il faut beaucoup de données provenant à la fois de visages humains et du type de visage que vous voulez générer. Un modèle très semblable, entraîné pendant de nombreuses heures, devient alors un puissant modèle génératif. Ce type de système utilise souvent une architecture de GAN pendant l’entraînement, puis emploie le générateur de façon indépendante. Si vous ne connaissez pas les modèles génératifs ou les GANs, je vous invite à regarder l’une de mes nombreuses vidéos à leur sujet, comme celle sur Toonify.
L’architecture du générateur d’un réseau GAN.
L’une des architectures les plus simples pour générer des images s’appelle un U-Net. Elle prend essentiellement une image, donc ici des données radar passées, et l’encode à l’aide de paramètres appris. Elle utilise ensuite cette information encodée pour générer une nouvelle version de la même image, qui correspondrait dans notre cas aux données radar des prochaines minutes.
« Les 20 dernières minutes de radar observé servent à produire des prédictions probabilistes pour les 90 minutes suivantes avec un modèle génératif profond de pluie, DGMR. » Image tirée de l’article de blogue de DeepMind.
Voici à quoi ressemble le résultat lorsqu’un U-Net classique reçoit des données de prévision, comparativement à la cible qu’il devrait reproduire.
Un épisode de fortes précipitations survenu en avril 2019 dans l’est des États-Unis, où la cible correspond au radar observé. L’approche générative DGMR équilibre l’intensité et l’étendue des précipitations comparativement à une approche d’advection PySTEPS, dont les intensités sont souvent trop élevées, et ne produit pas le flou des méthodes déterministes d’apprentissage profond comme U-Net. Image tirée de l’article de blogue de DeepMind.
Vous pouvez voir que le résultat est relativement bon, mais pas vraiment précis, et certainement pas assez fiable pour notre quotidien. Voici une comparaison avec une approche numérique de prévision météorologique actuellement utilisée, comme PySTEPS. Elle est un peu meilleure, mais vous voyez qu’elle n’est pas parfaite non plus. Nous ne pouvons pas vraiment continuer d’améliorer les méthodes probabilistes fondées sur des équations mathématiques, alors il devient intéressant d’essayer d’autres approches. Le fait de disposer d’une grande quantité de données radar pour entraîner les modèles est aussi très encourageant pour l’apprentissage profond.
Voilà pourquoi DeepMind a réussi à créer une architecture semblable à un GAN, conçue spécialement pour cette tâche. Et voici les résultats. Vous voyez à quel point ils se rapprochent de la réalité et contiennent davantage de détails fins. C’est vraiment impressionnant! Les chercheurs y sont parvenus en utilisant à la fois les dimensions temporelles et spatiales des anciennes données radar pour générer ce à quoi les observations pourraient ressembler dans un avenir rapproché.
En passant, si le sujet vous intéresse, je vous invite à partager ces connaissances en envoyant cet article à une autre personne. Je suis certain qu’elle l’aimera et sera heureuse d’apprendre quelque chose de nouveau grâce à vous! Et si vous ne le faites pas, aucun problème. Merci de me lire!
Le modèle de DeepMind
Architecture d’entraînement du générateur de DeepMind. Image tirée de Ravuri et al., 2021, DeepMind.
Plus précisément, les 20 minutes précédentes d’observations radar sont envoyées au modèle afin de générer 90 minutes de prédictions futures possibles. Il est entraîné comme n’importe quelle architecture de GAN. Le processus d’apprentissage est guidé en pénalisant la différence entre les prévisions radar générées et les vraies observations disponibles dans le jeu de données d’entraînement. Comme vous pouvez le voir ici, deux fonctions de perte et un terme de régularisation produisent les pénalités qui orientent le modèle pendant l’entraînement. La première fonction est temporelle. Elle force le modèle à rester cohérent dans sa génération sur plusieurs images en les comparant aux vraies données pendant une période précise, ou un nombre précis d’images, afin d’obtenir un réalisme temporel. Elle retire les sauts étranges et les incohérences qui ne pourraient pas se produire dans le monde réel. La deuxième fonction fait la même chose dans l’espace. Elle assure la cohérence spatiale en comparant les vraies données radar à notre prédiction générée pour une image précise. En bref, elle force le modèle à être « intelligent dans l’espace » et à produire des prédictions précises plutôt que de grandes zones floues comme celles observées avec U-Net. Le dernier élément, mais non le moindre, est le terme de régularisation. Il pénalise les différences dans la résolution des cellules de la grille entre les vraies séquences radar et nos prédictions en utilisant plusieurs exemples à la fois, plutôt qu’en comparant les prédictions une par une comme les deux fonctions précédentes. Il améliore la performance et produit des prédictions plus précises sur leur emplacement.
Vous envoyez donc des observations, obtenez les prédictions, les comparez aux vraies données radar à l’aide des trois mesures que nous venons de présenter, puis mettez le modèle à jour selon les différences. Vous répétez ensuite ce processus de nombreuses fois avec toutes les données d’entraînement. Vous obtenez finalement un puissant modèle qui apprend comment la météo évolue et peut idéalement généraliser ce comportement avec précision à la plupart des nouvelles données qu’il recevra.
Exemple de résultats de différents modèles. Image tirée de Ravuri et al., 2021, DeepMind.
Les exemples ci-dessus montrent la précision des résultats. U-Net est précis, mais flou, tandis que la méthode numérique surestime l’intensité de la pluie au fil du temps. Comme le disent les chercheurs, aucune méthode n’est dépourvue de limites. La leur éprouve des difficultés avec les prévisions à long terme et, comme la plupart des applications d’apprentissage profond, avec les événements rares qui apparaissent peu souvent dans les jeux de données d’entraînement. Ils continueront de travailler sur ces problèmes.
Bien sûr, ce n’était qu’un aperçu de ce nouvel article scientifique, qui s’attaque à la tâche très intéressante et utile de la prévision immédiate des précipitations.
Je vous invite à lire leur excellent article pour obtenir davantage de détails techniques sur l’implémentation, les données d’entraînement, les mesures d’évaluation et l’étude menée auprès des météorologues. Les chercheurs ont aussi préparé un notebook Colab avec lequel vous pouvez générer des prédictions. Les deux liens se trouvent dans les références ci-dessous. Merci beaucoup à toutes les personnes encore présentes de m’avoir lu, et je vous retrouve la semaine prochaine!
Si vous aimez mon travail et souhaitez rester à jour dans le domaine de l’IA, vous devriez absolument me suivre sur mes autres réseaux sociaux (LinkedIn, Twitter) et vous abonner à mon infolettre hebdomadaire sur l’IA!
Pour me soutenir :
- La meilleure façon de me soutenir est de devenir membre de ce site ou de vous abonner à ma chaîne YouTube si vous préférez le format vidéo.
- Soutenez financièrement mon travail sur Patreon.
- Suivez-moi sur Medium ou ici, sur mon blogue.
- Vous voulez vous lancer en IA ou améliorer vos compétences? Lisez ceci!
Références
- Ravuri, S., Lenc, K., Willson, M., Kangin, D., Lam, R., Mirowski, P., Fitzsimons, M., Athanassiadou, M., Kashem, S., Madge, S. et Prudden, R., 2021. Skillful Precipitation Nowcasting using Deep Generative Models of Radar, https://www.nature.com/articles/s41586-021-03854-z
- Notebook Colab : https://github.com/deepmind/deepmind-research/tree/master/nowcasting
FAQ
Qu’est-ce que la prévision immédiate des précipitations?
Elle prédit la pluie des prochaines heures, lorsque les changements locaux rapides comptent davantage qu’une prévision à long terme.
Comment le modèle de DeepMind produit-il une prévision de pluie?
Le modèle génératif apprend à partir de séquences radar et crée des cartes plausibles des précipitations futures.
Pourquoi utiliser un modèle génératif pour la météo?
Il peut représenter plusieurs futurs plausibles plutôt que de réduire l’incertitude à une seule prédiction lissée.
Comment l’utilité des prévisions a-t-elle été évaluée?
Plus de 50 météorologues experts ont comparé les prévisions générées aux méthodes établies de prévision immédiate.
Qu’a révélé la comparaison des spécialistes?
Le modèle a été préféré pour sa précision et son utilité dans 89 % des situations évaluées.
Quel historique radar DGMR utilise-t-il pour sa prévision à court terme?
L’exemple utilise 20 minutes d’observations radar pour produire des prédictions probabilistes des précipitations pendant les 90 minutes suivantes.