Étant donné que la foudre peut être mortelle et destructrice, il serait certainement bon de savoir à l’avance où et quand elle va frapper. Une équipe de chercheurs de l’EPFL en Suisse ont mis au point une nouvelle méthode permettant de prédire le lieu et le moment où la foudre va s’abattre avec un taux de réussite encourageant.
Le système de prédiction s’appuie pour l’heure sur une combinaison de données standard provenant de stations météorologiques qui tiennent compte de quatre paramètres météorologiques de base, à savoir la température de l’air, l’humidité relative, la vitesse du vent et la pression atmosphérique, et sur l’apprentissage supervisé où les algorithmes sont conçus pour apprendre généralement à partir d’exemples annotés. Un article sur la recherche a récemment été publié dans la revue Climate and Atmospheric Science.
L’objectif principal de ce projet était d’étudier l’efficacité de l’usage d’observations météorologiques sur un seul site afin de former des algorithmes d’apprentissage machine pour la prévision immédiate de la foudre et l’alerte contre la menace foudre. En second lieu, des techniques d’exploration de données ont été utilisées pour approfondir l’étude des éventuelles dépendances géographiques et temporelles des données.
Recueillies sur une période de 10 ans auprès de 12 stations météorologiques suisses dans des régions urbaines et montagneuses, ces mesures ont été croisées avec les enregistrements des systèmes de détection et de localisation de la foudre. Cela a permis à l’algorithme de Machine Learning développé par l’équipe de recherche de l’EPFL (un algorithme XGBoost) d’être formé pour reconnaître les conditions météorologiques à l’origine de la foudre. Les stations ont été choisies en fonction de deux critères : premièrement suivant la disponibilité des données météo et de celles sur l’activité de la foudre pendant la période à l’étude ;; deuxièmement suivant le fait qu’elles sont bien réparties entre différentes gammes d’altitude et topographies de terrain.
Une fois la base de données créée, des algorithmes de reconnaissance de formes et d’exploration de données ont été mis à contribution pour identifier les régularités entre les indicateurs et les réponses en utilisant l’ensemble de formation. Les prédictions et observations du modèle obtenu sont ensuite comparées afin d’évaluer sa capacité de prédiction. Les résultats de l’évaluation ont été présentés au moyen de quatre indices communs de prévision des événements, à savoir la probabilité de détection, le taux de fausses alarmes, l’indice de succès critique et le score de compétences de Heidke.
Il faut préciser que contrairement aux systèmes d’alerte à la foudre basés sur des données provenant de réseaux de détection de la foudre, le modèle retenu fournit un outil pour construire des systèmes de prévision de l’imminence de la foudre sans utiliser les données de foudre proches ou antérieures comme précurseur de la menace imminente. En d’autres termes, le nouveau modèle ne dépend pas de la première détection de la foudre pour générer des avertissements.
D’après les chercheurs, « ;le principal défi dans l’élaboration d’un schéma prédictif approprié a été le déséquilibre important observé entre les classes de foudre inactives et les classes de foudre actives. La situation s’aggrave encore lorsque le délai d’exécution est augmenté ;». Ils poursuivent en écrivant : « ;ce haut niveau de déséquilibre souligne non seulement la nécessité de techniques spéciales pour le développement de l’algorithme d’apprentissage machine, mais exige également des considérations spécifiques pour l’évaluation des performances du modèle ;».
À ce propos, Amirhossein Mostajabi, un doctorant a l’origine du projet, a expliqué : « ;Les systèmes actuels sont lents et très complexes, et ils nécessitent des données externes coûteuses acquises par radar ou par satellite. Notre méthode utilise des données qui peuvent être obtenues à partir de n’importe quelle station météorologique. Cela signifie que nous pouvons couvrir les régions éloignées qui sont hors de portée des radars et des satellites et où les réseaux de communication ne sont pas disponibles ;».
Une fois formé, le système est censé faire des prédictions qui se sont avérées exactes près de 80 % du temps, déterminant « ;avec précision ;» le lieu où la foudre va frapper dans un rayon de 30 km et le moment où elle s’abattra (de 10 à 30 minutes près). Au fur et à mesure que la technologie évoluera, ces chiffres devraient s’améliorer, espèrent les chercheurs. Mais peut-on vraiment parler de prédictions précises avec de telles marges ;?
Source : Nature
Et vous ?
Que pensez-vous de ces résultats ?
Peut-on vraiment parler de prédictions précises avec de telles marges ;?
Voir aussi
L'intelligence artificielle, la nouvelle arme de la gendarmerie contre les Gilets jaunes
Des chercheurs ont mis au point une IA capable de lire l'activité cérébrale d'une personne en temps réel et de la représenter sous forme d'image
En Finlande, les prisonniers sont utilisés pour former des IA dans le cadre du travail pénitentiaire pour le compte d'une start-up
La France bannit les IA de prédiction des comportements des juges, les technologies de justice prédictive sont-elles une menace pour la société ?
Des chercheurs ont développé un système qui utilise l'IA pour prédire où et quand la foudre frappera
Il ferait des prédictions qui se sont avérées exactes 80 % du temps
Des chercheurs ont développé un système qui utilise l'IA pour prédire où et quand la foudre frappera
Il ferait des prédictions qui se sont avérées exactes 80 % du temps
Le , par Christian Olivier
Une erreur dans cette actualité ? Signalez-nous-la !