s'abonner
Les chercheurs de Skoltech et leurs collègues de Sber ont proposé des modèles d’apprentissage profond qui prédisent les sécheresses à l’aide de données climatiques. De telles prévisions à long terme sont recherchées par les producteurs agricoles qui planifient leurs opérations, ainsi que par les compagnies d’assurance et les banques qui évaluent les risques climatiques et ajustent les notations de crédit des entreprises. Les nouveaux résultats sont dans la revue du premier quartile Environmental Modelling & Software et sont également sous forme de prépublication sur le référentiel en ligne arXiv.
En faisant des plans, un producteur agricole doit tenir compte de la possibilité qu’une sécheresse affecte son entreprise, et les prêteurs cherchent à prendre en compte ces risques dans le classement du crédit des entreprises. Les compagnies d’assurance doivent également quantifier les risques climatiques pour déterminer le montant de la prime. Toutes ces entreprises bénéficieraient grandement de prévisions précises à long terme des périodes de sécheresse imminentes. De telles prévisions sont toutefois restées indisponibles en raison de la nature stochastique (aléatoire) des phénomènes climatiques et de la complexité des données utilisées.
Les chercheurs de Skoltech et de Sber proposent une approche complexe pour prédire les sécheresses plusieurs mois, voire un an avant qu’elles ne se produisent. La solution de l’équipe fusionne l’IA avec des méthodes classiques. Il s’appuie sur des réseaux de neurones spatio-temporels et des données climatiques mensuelles librement disponibles.
Les modèles ont été testés sur des données provenant de cinq régions couvrant plusieurs continents et zones climatiques : la Pologne, l’État américain du Missouri, l’État de Goias au Brésil, l’État indien du Madhya Pradesh et le nord du Kazakhstan.
« Les tests nous ont permis d’identifier notre modification du modèle EarthFormer basé sur un transformateur comme la meilleure pour faire des prédictions à moyen terme, tandis qu’une version modifiée du modèle ConvLSTM a donné les meilleurs résultats en matière de prédictions à long terme. Notre modèle offre une haute qualité pour une variété de zones climatiques. Grâce aux méthodes d’IA fiables utilisées, cette qualité restera élevée pendant les 10 prochaines années », a expliqué le chercheur principal de l’étude, le professeur adjoint Alexey Zaytsev, qui dirige le laboratoire conjoint de recherche appliquée Skoltech-Sberbank à Skoltech Applied AI.
L’auteur principal de l’article, l’ingénieur de recherche principal Alexander Marusov de Skoltech Applied AI, a commenté : « La prévision des sécheresses est une préoccupation de la plus haute importance dans de nombreuses régions de notre pays, y compris dans ma région natale d’Astrakhan. Ce phénomène naturel est cependant difficile à modéliser, car de nombreux facteurs divers doivent être pris en compte, dont le réchauffement climatique. Nos modèles permettent de prédire les sécheresses un an à l’avance.
Les résultats de cette recherche seront utilisés par la plus grande banque russe dans son système de gestion des risques. Le co-auteur de l’étude, Nazar Sotiriadi, directeur exécutif du département de gestion intégrée des risques de Sber, a noté : « Bien que les risques climatiques en Russie ne soient pas aussi apparents que dans les pays dotés d’infrastructures plus denses, ils ont déjà un impact significatif sur l’économie. Les sécheresses créent des risques pour l’agriculture, les installations énergétiques et la population. Nous utilisons les résultats de recherches menées conjointement avec nos collègues de Skoltech pour augmenter la précision de nos notations tant pour les assurances que pour les prêts. Dans les années à venir, la gestion de ces risques pourrait avoir un effet plus important sur les affaires que nous ne l’avions prévu il y a trois à cinq ans. Et de telles tâches nécessitent invariablement des modèles d’évaluation.
