Observations basées sur les canaux COMS MI (Communication, Ocean, and Meteorological Satellite Meteorological Imager) et GEO-KOMPSAT-2A Advanced Meteorological Imager (GK2A AMI) le 22/10/2019 à 12h00 UTC pour le typhon Bualoi (2019) et les distributions de température de brillance (BT) de chaque capteur. Les statistiques de chaque observation (minimum, maximum, moyenne, médiane et mode) sont représentées dans l’histogramme (unité : K). Crédit : SIG et télédétection (2024). DOI: 10.1080/15481603.2024.2325720
Face aux défis posés par le changement climatique dans la prévision des typhons, une équipe de chercheurs a développé une technologie qui exploite les données satellite en temps réel et les capacités d’apprentissage profond pour prédire les typhons avec une plus grande précision.
Dirigée par le professeur Jungho Im du département de génie civil, urbain, terrestre et environnemental de l’UNIST, l’équipe de recherche a dévoilé un modèle de prévision basé sur l’apprentissage profond qui combine les données des satellites météorologiques géostationnaires et les données des modèles numériques en temps réel.
Les résultats ont été publiés dans SIG et télédétection et iScience respectivement en mars et juin 2024.
Le modèle de réseaux neuronaux convolutionnels hybrides (Hybrid-CNN), proposé par l’équipe de recherche, combine efficacement les caractéristiques spatiales basées sur les satellites et les résultats du modèle de prévision numérique pour prévoir de manière objective et précise l’intensité des cyclones tropicaux (TC) avec des délais de 24, 48 et 72 heures. Le modèle Hybrid-CNN démontre une réduction significative de l’incertitude associée aux modèles numériques, permettant ainsi une prévision plus précise des typhons.
La méthode traditionnelle d’observation des typhons repose en grande partie sur les données des satellites géostationnaires analysées par les prévisionnistes. Cependant, cette approche est entravée par la nécessité de longs délais d’analyse et par l’incertitude inhérente aux modèles numériques. En revanche, le modèle Hybrid-CNN réduit considérablement l’incertitude associée aux modèles numériques, ce qui permet une prévision plus précise des typhons.
Image schématique montrant la prévision explicable de l’intensité des cyclones tropicaux basée sur l’apprentissage profond. Crédit : iScience (2024). DOI: 10.1016/j.isci.2024.109905
L’équipe de recherche a utilisé un modèle d’apprentissage par transfert pour estimer l’intensité du TC à l’aide des données satellitaires du satellite de communication, d’océan et de météorologie (COMS) lancé en 2010 et du GEO-KOMPSAT-2A (GK2A) lancé en 2019. L’IA a visualisé et analysé quantitativement le processus automatique d’estimation de l’intensité des typhons pour augmenter la précision des prévisions de typhons.
Les facteurs environnementaux qui influent sur les changements d’intensité des typhons peuvent être extraits de manière objective et appliqués au système de prévision sur le terrain. Cette technologie devrait apporter une aide significative à la préparation aux catastrophes et à la prévention des dommages en fournissant aux prévisionnistes des informations rapides et précises sur les typhons.
Le professeur Im a déclaré : « Notre cadre de prévision des typhons basé sur l’apprentissage profond permettra aux prévisionnistes de développer des mesures rapides et efficaces en fournissant des informations de prévision plus précises. »
Plus d’information:
Minki Choo et al., Bridging satellite missions: deep transfer learning for improved tropical cyclone strength estimation, SIG et télédétection (2024). DOI: 10.1080/15481603.2024.2325720
Juhyun Lee et al., Améliorer la prévision de l’intensité des cyclones tropicaux grâce à un apprentissage profond explicable intégrant les observations par satellite et les résultats des modèles numériques, iScience (2024). DOI: 10.1016/j.isci.2024.109905
Fourni par l’Institut national des sciences et technologies d’Ulsan
Citation:Une équipe de recherche utilise des données satellitaires et l’apprentissage automatique pour prédire l’intensité des typhons (15 juillet 2024) récupéré le 16 juillet 2024 à partir de
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre d’information uniquement.
