s'abonner
L’intensification rapide (IR) des cyclones tropicaux (CT), définie comme une augmentation de l’intensité d’au moins 13 m/s en 24 heures, reste l’un des phénomènes les plus difficiles à prévoir en raison de sa nature imprévisible et destructrice. Bien que l’IR ne représente que 5 % de l’ensemble des CT, son développement soudain et sévère fait peser des risques importants sur les régions touchées.
Les méthodes de prévision traditionnelles, telles que les prévisions météorologiques numériques et les approches statistiques, ne tiennent souvent pas compte des facteurs environnementaux et structurels complexes qui sous-tendent l’IR. Alors que l’intelligence artificielle (IA) a été explorée comme moyen d’améliorer les prédictions de l’IR, la plupart des techniques d’IA ont été confrontées à des taux élevés de fausses alarmes et à une fiabilité limitée.
Pour résoudre ce problème, des chercheurs de l’Institut d’océanologie de l’Académie chinoise des sciences (IOCAS) ont développé un nouveau modèle de prévision pour l’IR des CT basé sur « l’apprentissage contrastif ». L’étude a été publiée dans les Actes de l’Académie nationale des sciences le 21 janvier.
Le nouveau modèle comporte deux entrées : l’entrée A, un échantillon CT d’IR connu, et l’entrée B, un échantillon inconnu à prévoir. Il extrait les caractéristiques des deux entrées et calcule leur distance dans un espace de grande dimension. Si la distance est petite, l’entrée B est prévue comme un TC IR ; s’il est grand, il est classé comme un CT non-RI. Chaque échantillon inconnu est comparé à 10 échantillons de CT RI connus, et si plus de cinq des comparaisons le classent comme TC RI, il est alors classé comme tel.
De plus, cette étude utilise l’imagerie satellitaire ainsi que des données atmosphériques et océaniques pour équilibrer les données CT RI et non-RI. Le modèle apprend à différencier les TC RI et non-RI en comparant les deux entrées pendant l’entraînement.
Lorsqu’elle a été testée sur des données provenant du Pacifique Nord-Ouest entre 2020 et 2021, la méthode a atteint une précision impressionnante de 92,3 % et réduit les fausses alarmes à 8,9 %. Par rapport aux techniques existantes, il a amélioré la précision de 12 % et réduit les fausses alarmes d’un facteur trois, ce qui représente une avancée majeure dans les prévisions.
Bien que le modèle ait été initialement formé à l’aide de données de réanalyse, les chercheurs ont créé un scénario de prévision opérationnelle en remplaçant les données de réanalyse par les données de prévision du modèle numérique ECMWF-IFS de 2020 à 2021 en entrée.
Les résultats ont démontré une précision de prévision comparable, validant davantage la fiabilité de cette approche et confirmant son adéquation aux scénarios de prévision en temps réel. Cette capacité de prévision en temps réel peut améliorer considérablement les systèmes d’alerte précoce, améliorant ainsi la préparation aux catastrophes à l’échelle mondiale.
« Cette étude aborde les défis de la faible précision et des taux élevés de fausses alarmes dans la prévision des CT RI », a déclaré le professeur Li Xiaofeng, auteur correspondant. « Notre méthode améliore la compréhension de ces événements extrêmes et soutient de meilleures défenses contre leurs impacts dévastateurs. »
