European Commission logo
français français
CORDIS - Résultats de la recherche de l’UE
CORDIS

Improving Subseasonal and Seasonal sUmmer forecast over southern Europe through machine Learning

Article Category

Article available in the following languages:

Tirer parti de l’apprentissage automatique pour mieux prévoir les vagues de chaleur

Les chercheurs ont utilisé un modèle avancé de prévision sub-saisonnière à saisonnière basé sur des algorithmes d’apprentissage automatique pour prévoir les températures moyennes mensuelles régionales dans le sud de l’Europe avec un délai d’un mois.

Changement climatique et Environnement icon Changement climatique et Environnement

Avec un nombre record de jours de chaleur extrême dans une grande partie de l’Europe, dire que l’été 2023 a été chaud serait un euphémisme. En effet, le sud de l’Espagne a enregistré au moins 60 jours où les températures ressenties se sont situées entre 38 et 46 °C, certaines régions ayant même vu le mercure dépasser 46 °C à plusieurs reprises. Comme il est particulièrement difficile de prévoir ces épisodes de chaleur extrême, il est difficile pour les autorités de prendre des mesures d’atténuation pour protéger la population de leurs effets potentiellement mortels. «Les systèmes traditionnels de prévision météorologique ont une limite de prévisibilité d’environ dix jours», explique Marie Drouard, chercheuse à l’Institut des géosciences (site web en espagnol) en Espagne. «Mais pour préparer et mieux protéger la société contre le changement climatique et les phénomènes météorologiques extrêmes qui l’accompagnent, nous avons besoin de prévisions fiables à plus long terme.» Le projet ISSUL, financé par le programme Actions Marie Skłodowska-Curie, contribue à répondre à ce besoin.

Améliorer l’utilisation des modèles de prévisions sub-saisonnières et saisonnières

ISSUL s’est concentré sur le développement de modèles avancés de prévisions sub-saisonnières à saisonnières (S2S). «À mi-chemin entre les prévisions météorologiques et climatiques, les modèles S2S sont essentiellement des prévisions météorologiques étendues qui nous permettent de faire des prévisions au-delà de deux semaines mais en deçà d’une saison», explique Marie Drouard, qui a été la coordinatrice du projet. Plus précisément, le projet visait à améliorer l’utilisation des prévisions S2S pour prévoir les vagues de chaleur en Europe du Sud. Pour ce faire, le projet a utilisé une approche relativement nouvelle dans le domaine de la prévision des phénomènes météorologiques extrêmes: l’apprentissage automatique. «Notre modèle de prévision S2S est basé à la fois sur un algorithme d’optimisation, qui vise à sélectionner les prédicteurs optimaux parmi un ensemble de facteurs, et sur un algorithme de régression pour prédire l’occurrence des vagues de chaleur», ajoute Marie Drouard.

Prévision réussie des températures moyennes mensuelles régionales

Après quelques ajustements et tests supplémentaires, les chercheurs ont réussi à utiliser le modèle d’apprentissage automatique pour prédire habilement les températures moyennes mensuelles régionales dans la péninsule ibérique avec un délai d’un mois. Ce résultat confirme les études récentes sur la prévision des vagues de chaleur extrême à l’aide de modèles d’apprentissage automatique peu profonds. En utilisant le même modèle de prévision, les chercheurs ont également démontré qu’il est plus difficile de prévoir un objectif complexe tel que l’intensité mensuelle d’une vague de chaleur régionale. «Notre modèle n’a pas été en mesure de prédire avec précision l’indice d’intensité de la vague de chaleur régionale», note Marie Drouard. «Bien que ce résultat puisse être considéré comme négatif, il illustre en réalité la difficulté de prévoir les événements extrêmes et confirme qu’il reste du travail à faire.» Cela dit, les chercheurs ont pu montrer qu’il existe des ensembles récurrents de prédicteurs optimaux, ce qui suggère qu’il est possible d’améliorer encore la prévisibilité des températures estivales élevées et des extrêmes.

Démonstration des avantages des modèles de prévision fondés sur l’apprentissage automatique

Le projet ISSUL s’inscrit dans le cadre d’un effort plus large de la communauté scientifique visant à améliorer notre capacité à prévoir les phénomènes météorologiques extrêmes à long terme. «Le projet ISSUL a confirmé non seulement que les modèles de prévision basés sur l’apprentissage automatique peuvent produire des prévisions fiables des températures estivales moyennes mensuelles régionales, mais aussi que ces prévisions sont plus faciles à produire et donc prêtes à être utilisées», conclut Marie Drouard.

Mots‑clés

ISSUL, apprentissage automatique, vagues de chaleur, prévisions sub-saisonnières à saisonnières, conditions météorologiques extrêmes, prévisions météorologiques, changement climatique

Découvrir d’autres articles du même domaine d’application