IA et modèles météo - Modèle GraphCast

[Guillaume39]

Bonjour,

 

je suis tombé sur un article qui parle de l'IA et des modèles météo, chose relativement récente il me semble.

Cet article évoque notamment une filiale de Google, DeepMind, qui revendique avoir développé un modèle météo à base d'IA, le modèle GraphCast, qui serait plus performant à 10 jours que le modèles d'ECMWF pour temps de calcul très nettement inférieur.

 

Je vous met le lien ici qui donne quelques infos sur le modèle : https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/ 

 

Avez vous un peu de recul sur ces nouveautés? Pour ma part je découvre tout ça.

Apparement c'est assez sérieux puisqu'un article est paru dans Science.

 

En tout cas je trouve que c'est un sujet interessant, si on en crois cette société nous sommes possiblement à l'aube d'un bouleversement des prévisions météo en lien avec l'IA. A prendre avec du recul, bien évidemment. 

[bernardt60]

il y a 15 minutes, Guillaume25 a dit :

Bonjour,

 

je suis tombé sur un article qui parle de l'IA et des modèles météo, chose relativement récente il me semble.

Cet article évoque notamment une filiale de Google, DeepMind, qui revendique avoir développé un modèle météo à base d'IA, le modèle GraphCast, qui serait plus performant à 10 jours que le modèles d'ECMWF pour temps de calcul très nettement inférieur.

 

Je vous met le lien ici qui donne quelques infos sur le modèle : https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/ 

 

Avez vous un peu de recul sur ces nouveautés? Pour ma part je découvre tout ça.

Apparement c'est assez sérieux puisqu'un article est paru dans Science.

 

En tout cas je trouve que c'est un sujet interessant, si on en crois cette société nous sommes possiblement à l'aube d'un bouleversement des prévisions météo en lien avec l'IA. A prendre avec du recul, bien évidemment. 

 

[Sky blue]

Révolution probable en vue ou le climatologue et météorologue pourrait passer de physicien à statisticien avancé. ??? 

[Serge71400]

il y a 51 minutes, Sky blue a dit :

Révolution probable en vue ou le climatologue et météorologue pourrait passer de physicien à statisticien avancé. ??? 

Le quidam également.

 

Un petit complément d'information :  Google toont AI-model dat 'ongekend nauwkeurige' weersvoorspellingen kan doen - IT Pro - Nieuws - Tweakers

[_sb]

Des posts d'autres intervenants complètent sur la page d'après.

[sebb]

https://charts.ecmwf.int/products/plwww_3m_fc_aimodels_wp_mean?area=Northern Extra-tropics&parameter=Geopotential 500hPa&score=Root mean square error

https://charts.ecmwf.int/?facets={"Product type"%3A["Experimental%3A Machine learning models"%2C"Experimental%3A AIFS"]}

 

[Bibi44]

Le site Futura vient également de publier un article un sujet, donc simplifié, mais en français, et suffisamment "vulgarisé" pour être compris du plus grand nombre : https://www.futura-sciences.com/tech/actualites/intelligence-artificielle-google-deepmind-sidere-surpassant-tous-modeles-meteorologiques-actuels-precision-109189/

 

Effectivement, les perspectives offertes par l'IA, en météo comme dans de nombreux domaines, sont énormes. Des équipes travaillent depuis des années pour développer ces nouvelles solutions. Nous voyons aujourd'hui poindre des résultats intéressants, alors que ces IA sont en phase "d'entraînement", ou de "rodage". D'ici quelques mois, ou quelques années, selon les sujets, quand ces machines arriveront à maturité, nous assisterons à de vrais choc, des bouleversements dans les façons de faire... Et probablement à quelques déceptions aussi. Concernant la météo, tous les signaux semblent au vert pour ouvrir de belles perspectives d'amélioration de la précision.

 

 

[Jojobarbar]

Bonjour,

Pour les intéressé, je conseille aussi le preprint de MetNet 3 (de Google aussi).

 

Les modèles de type GraphCast, PanguWeather, AIFS (du centre européen)... prennent en entrée une analyse (qui est coûteuse en calcul et sujette à de nombreuses incertitudes et approximations). Ainsi, le modèle de prévision numérique est remplacé par une IA mais la pipeline globale a besoin de l'étape analyse, qui n'est pas IA.

 

MetNet 3 est capable de faire un cycle entier : analyse - prévision et donc de repartir d'une analyse générée par l'IA. Ça c'est assez fort parce que potentiellement, il n'y a plus qu'à brancher des obs en entrée et toute la pipeline de prévision du temps est géré par le modèle IA. On n'en est pas encore là mais pas loin avec MetNet 3.

 

Je sais pas si j'ai été très clair mais c'est vraiment sympa d'ouvrir un topic là dessus maintenant, on va avoir des choses à dire.

 

Sinon, et à la mode aussi, des modèles plus petit, qui ne cherchent pas à émuler une météo mondiale ou exhaustive sont aussi très intéressant ! De nombreux modèle de downscaling, de générations d'image pour enrichir les ensembles n'interviennent qu'à un point très précis de la pipeline de prévision mais peuvent apporter énormément à un coup bien moindre et une performance très élevée.

Deux articles à titre de sources et d'exemples :

https://www.nature.com/articles/s41586-021-03854-z (Downscaling)

https://arxiv.org/abs/2306.06079 (MetNet 3)

 

Je renvoie également à ce message pour ceux souhaitant se former plus ou moins à l'IA :

 

Modifié 16 novembre 2023 par Jojobarbar

[Serge71400]

Il y a 14 heures, Bibi44 a dit :

D'ici quelques mois, ou quelques années, selon les sujets, quand ces machines arriveront à maturité, nous assisterons à de vrais choc, des bouleversements dans les façons de faire... Et probablement à quelques déceptions aussi. Concernant la météo, tous les signaux semblent au vert pour ouvrir de belles perspectives d'amélioration de la précision.

 

 

Faisant suite à une réunion à Interlaken, cette révolution va dégraisser beaucoup d’emplois dans le milieu de la météorologie touchant prioritairement les ingénieurs, les techniciens et autres spécialistes.

Me concernant, je suis particulièrement partisan malgré les danger que cela peu impliquer.

[Bibi44]

Il y a 1 heure, Serge71400 a dit :

Faisant suite à une réunion à Interlaken, cette révolution va dégraisser beaucoup d’emplois dans le milieu de la météorologie touchant prioritairement les ingénieurs, les techniciens et autres spécialistes.

Me concernant, je suis particulièrement partisan malgré les danger que cela peu impliquer.

Oui, toute révolution dans un domaine entraine de grands changements dans les besoins, notamment en ressources humaines. Dans le meilleur des cas, il s'agira de réinventer les emplois, de former les gens a de nouvelles compétences... Mais bien souvent, il s'agira... D'alléger la masse salariale. Mais on s'éloigne un peu du sujet...

[sebb]

Il y a 19 heures, sebb a dit :

https://charts.ecmwf.int/products/plwww_3m_fc_aimodels_wp_mean?area=Northern Extra-tropics&parameter=Geopotential 500hPa&score=Root mean square error

https://charts.ecmwf.int/?facets={"Product type"%3A["Experimental%3A Machine learning models"%2C"Experimental%3A AIFS"]}

 

Entre temps, j'ai vu passer ça qui apporte de la nuance par rapport au graph ci-dessus, et qui me semble donc intéressant de reposter:

 

 

[Jojobarbar]

Salut, 

Je me dis que ça serait pas mal maintenant d'ouvrir un topic spécialement dédié IA-Météo, qu'en pensez-vous, je peux résumer quelques articles que je lis, et on pourrait également, étudier un peu la performance des modèles dans des situations controversées entre modèles classiques ? 

En attendant les avis, je poste justement un résumé d'un article court et qui pose une question intéressante :

 

Can Artificial Intelligence-Based Weather Prediction Models Simulate the Butterfly Effect?

 

Le résultat est négatif :

Le modèle Pangu-Weather est comparé à ICON, basse et haute résolution. La méthode est la suivante, pour chaque modèle deux expériences sont faites.

• Une expérience ou les perturbations de l'analyse sont gardées classiques (100%).
• Une expérience ou les perturbations de l'analyse sont réduites d'un facteur 1000 (0.1%) (comme si on était 1000 fois plus certains de l'état initial).

Alors, ce qui est observé c'est que dans le second cas, pour des modèles simulant l'effet papillons, si l'erreur initiale est faible (normal puisque la certitude est supposée 1000 fois plus forte), cette erreur grandit très rapidement pour rejoindre une échelle de grandeur similaire à celle des expériences du premier point (où elle est saturée, ce sont les erreurs de plus grandes échelles qui deviennent prépondérante).

En revanche, pour Pangu-Weather, l'erreur grandit beaucoup moins, et garde la même allure que Pangu-Weather du premier point. Cela signifie, que des petites (infimes) perturbations dans l'état initial, ne modifient pas grandement le résultat de Pangu-Weather alors qu'elle modifient les résultats d'ICON LR et HR presque comme des perturbations d'amplitude normale. En d'autres termes, l'effet papillon c'est le fait qu'être 1000 fois plus certain d'une situation initiale n'avance pas à grand chose pour la prévision. Or pour un modèle IA, être 1000 fois plus certain d'une situation initiale conduit à une variabilité bien moindre.

 

Figure qui le montre, (tirée de l'article), la quantité étudiée est mise au carré, ainsi "les différence de certitude initiales" sont de 1000^2 = 1 000 000) :

 

Les auteurs concluent sur le fait que les modèles IA, ne perçoivent pas l'effet papillon dans leurs entraînement, puisqu'il n'y a eu qu'un passé, et qu'au mieux, dans les réanalyses ERA5, ils ont été confronté à des situations similaires aux suites très différentes, mais jamais à deux situations quasi identiques dont la suite a différé grandement. Il pensent donc que le résultat serait similaire pour tous les modèles d'IA les plus connus.

 

Néanmoins, cela pourrait être réglé en intégrant un paramètre "d'effet papillon" représentant en gros les résultats de la convection (dont la dynamique est de petite échelle) aux plus grandes échelles, ce qui au passage est exactement ce qui est fait pour les modèles à mailles larges.

Enfin, ils soulignent qu'actuellement, l'erreur liés à l'effet papillon n'est pas la plus importante bien qu'elle soit non négligeable. Ainsi, si les modèle IA parviennent à réduire par exemple l'erreur à l'échelle synoptique, ils apporteront quand même quelque chose (en plus d'un temps de génération des champs dérisoire comparé aux modèles physiques)

 

N'hésitez pas à me contredire ou préciser si vous comprenez des choses différemment !

[Matpo]

il y a une heure, Jojobarbar a dit :

Salut, 

Je me dis que ça serait pas mal maintenant d'ouvrir un topic spécialement dédié IA-Météo, qu'en pensez-vous

Merci pour l ensemble de ton intervention

Et +1 pour la partie que je cite, IC doit prendre le train en marche c est le moment de ne pas faire preuve d immobilisme 🤩

Chamboulement dans le monde météo...

 

[Matpo]

Live a ce propos maintenant

 

[_sb]

Il y a 6 heures, Matpo a dit :

IC doit prendre le train en marche c est le moment de ne pas faire preuve d immobilisme 🤩

 

Tu peux faire ce premier pas

 

Pour le reste, le sujet est important et en études / expérimentations depuis depuis plusieurs années. Sur cette thématique ô combien devenu soudainement médiatique, attention à ne pas tomber dans l'outrance ou l'enthousiasme béat. On est davantage sur la complémentarité que sur la supplantation pure et simple des modèles physiques. Cela ouvre clairement des perspectives nouvelles en terme de méthodologies, de modélisations, d'implémentations ou encore d'analyses.

[Matpo]

Il y a 2 heures, _sb a dit :

 

Tu peux faire ce premier pas

 

Pour le reste, le sujet est important et en études / expérimentations depuis depuis plusieurs années. Sur cette thématique ô combien devenu soudainement médiatique, attention à ne pas tomber dans l'outrance ou l'enthousiasme béat. On est davantage sur la complémentarité que sur la supplantation pure et simple des modèles physiques. Cela ouvre clairement des perspectives nouvelles en terme de méthodologies, de modélisations, d'implémentations ou encore d'analyses.

Merci

Oui complètement

compliqué de trouver l'équilibre puisque beaucoup de perspectives sont encore avec un point d interrogation on pourra en savoir plus le temps passant et les réanalyses aidant

J aurais bien ouvert le sujet mais le manque de temps et de compétences aussi dans le domaine pour pna part m'ont retenu

Toutefois c est si intéressant je vais tenter de prendre un moment pour le faire au moins un peu bien

(sauf si quelqu'un l'a déjà fait avant moi bien entendu)

 

J en profite pour citer une maxime du regretté Coluche : "il faut mettre un frein a l immobilisme"

IC n est pas dans l immobilisme bien au contraire ça bouge bien mais juste j avais bien aimé cette phrase 😅^^

 

Modifié 19 novembre 2023 par Matpo

[Jojobarbar]

Si tu veux, je peux ouvrir un sujet pour le prochain article que je trouve intéressant que je lis, ou alors pour l'analyse des modèles IA après cette séquence d'incertitude en PNT classique !

[Lachignole]

Polytechnique a publié une série d'articles sur l'IA & météo:

 

Météorologie : comment l’IA et les satellites font la pluie et le beau temps

[Matpo]

Je ne sais pas si ces sources ont déjà été fournies

https://www.nature.com/articles/d41586-023-03552-y

Performances graph Cast

Également :

Avis aux amateurs

 

[_sb]

Je ne sais pas à quoi correspondent ces graphes. HiRES est IFS je suppose ? Est-ce du temps réel ? Du reforcast comparativement au forcast d'IFS ?

[Matpo]

il y a 36 minutes, _sb a dit :

Je ne sais pas à quoi correspondent ces graphes. HiRES est IFS je suppose ? Est-ce du temps réel ? Du reforcast comparativement au forcast d'IFS ?

Oui HRES c est bien IFS

Et il s agit de réanalyse après coup pour comparer les erreurs par rapport à IFS si j ai bien compris

 

[Matpo]

Intéressant de voir que sur ces résultats, pour les températures extrêmes de canicules, sur 12 h IFS est meilleur, mais sur 5 jours et 10 jours c est l inverse, et que Graph Cast est meilleur dans tout les autres paramètres...

J en profite pour te remercier @_sb pour le fait que tu inclues ces nouveaux modèles souvent dans tes posts dans les prévisions ! Merci beaucoup 

 

Modifié 24 novembre 2023 par Matpo

[JOJO_KERMIT]

trouvé sur le site du CEP et traduit en français par.....l'IA  😄

 

texte ci-dessous mais article complet avec images dans pdf joint.

 

La montée en puissance de l’apprentissage automatique dans les prévisions météorologiques
20 juin 2023
Matthew Chantry, Zied Ben Bouallegue, Linus Magnusson, Michael Maier-Gerber et Jesper
Dramsch
L'apprentissage automatique (ML Machine learning) a été l'un des sujets de discussion mondiaux
cette année. Tout le monde semble apprécier l’ exploration de l’intelligence artificielle générative
(IA), sous forme de langages et de modèles d’images , pour rédiger ses emails ennuyeux, faire ses
devoirs ou même réparer ses photos.
Au CEPMMT, les techniques d'apprentissage automatique pour la modélisation du système terrestre
ont été explorées ces dernières années, par exemple en utilisant des réseaux de neurones pour mieux
intégrer les observations satellitaires. En 2021, nous avons publié une feuille de route, essayant de
faire l'impossible : prédire où irait ce domaine au cours de la prochaine décennie. Cette année, nous
avons marqué une étape clé de cette feuille de route : la première utilisation opérationnelle du ML
moderne au CEPMMT, en utilisant des réseaux de neurones pour surveiller les observations .
Alors que les grands modèles linguistiques tels que ChatGPT font la Une des journaux, une
révolution plus discrète se produit en arrière-plan. Les modèles ML deviennent compétitifs avec les
modèles numériques de prévision météorologique.
Première exploration des prévisions de ML au CEPMMT
Notre exploration du sujet de l' élaboration de prévisions météorologiques basées sur le ML a
commencé en 2018, avec Peter Dueben et Peter Bauer du CEPMMT publiant un article sur
l'utilisation de la dernière réanalyse du CEPMMT ( ERA5 ) à une résolution d'environ 500 km pour
prédire la hauteur géopotentielle future de 500 hPa.
Dans la foulée est venu WeatherBench , créant un test de référence pour les prévisions
météorologiques à moyen terme basées sur le ML. Les problèmes de référence ont été au cœur des
développements du ML dans de nombreux domaines de recherche, fournissant un ensemble de
données et un ensemble de scores. Cela a rendu le test très accessible aux chercheurs issus
d’horizons très divers.
Au cours des années suivantes, le sujet a été exploré par de nombreux auteurs, mais avec des
modèles basés sur le ML ayant la compétence équivalente à une simulation à très grossière
résolution du système de prévision intégré (IFS) du CEPMMT (par exemple avec une grille
d'environ 200 km ).
La conclusion préliminaire était qu'il s'agissait d'un problème de recherche intéressant à explorer,
mais que la probabilité qu'il devienne opérationnel était faible, ce n'était donc pas un investissement
judicieux des ressources du CEPMMT.
Une révolution dans les modèles ML pour les prévisions météorologiques
La situation a évolué rapidement, entre février 2022 et avril 2023.
Dans une série d'articles, émanant principalement de grandes entreprises technologiques telles que
NVIDIA, Huawei et Google DeepMind , des progrès rapides ont été réalisés dans la qualité des
prévisions météorologiques basées sur le ML. Actuellement, de nouvelles contributions sont
apportées dans ce domaine tous les quelques mois.
Ces prévisions météorologiques basées sur le ML se sont d'abord approchées des compétences de l'
IFS ( utilisées comme référence pour les prévisions de haute qualité), puis ont correspondu aux
compétences de l'IFS, puis ont prétendu dépasser nos scores. De plus, réaliser une prévision avec
ces modèles ne nécessite qu'un seul GPU, prend moins d'une minute et consomme une infime
fraction de l'énergie requise pour une prévision IFS. Mais est-ce là toute l’histoire ?
Ces approches entièrement basées sur le ML s'appuient toujours fortement sur l'IFS . L'IFS est
utilisé pour créer à la fois les données de formation et de validation (ERA5 ) , ce qui est essentiel
pour tout modèle ML . De plus, après entraînement, ces modèles s'appuient sur les conditions
initiales de l'IFS.
De plus, la qualité des prévisions météorologiques ne se résume pas à des scores, la question se
pose donc : ces modèles basés sur le ML produisent-ils des prévisions physiquement cohérentes et
météorologiquement significatives ?
Plusieurs de ces modèles ont été rendus publics, notamment le Pangu-Weather de Huawei et le
FourCastNet de NVIDIA . Au cours des derniers mois, le personnel du CEPMMT a construit une
infrastructure pour exécuter ces modèles dans un pipeline facile à utiliser . Les modèles peuvent
désormais être exécutés à partir de nos données archivées, les résultats enregistrés dans des formats
standardisés, et ils peuvent se connecter à nos outils de vérification. Un outil issu de ce travail a été
publié sur https://github.com/ecmwf-lab/ai-models pour que tout utilisateur puisse explorer les
compétences de ces prévisions.
Dans quelle mesure les dernières prévisions météorologiques basées sur le ML
sont-elles pertinentes ?
Premièrement, les principaux scores publiés des modèles basés sur le ML résistent à une évaluation
indépendante. Lorsqu'il est évalué avec des scores déterministes, tels que l'erreur quadratique
moyenne ( RMSE ) ou le coefficient de corrélation des anomalies ( ACC ) , Pangu-Weather est un
rival légitime pour l'IFS (voir la figure 1 par exemple) . Cela est vrai non seulement lorsqu'on
l'évalue par rapport à des analyses , mais aussi par rapport à des observations, et lorsqu'on utilise la
même condition initiale que l'IFS (par opposition à l'initialisation à partir d'ERA5, qui est effectuée
dans les documents publics) .
Figure 1 : Erreur quadratique moyenne ( RMSE) de la hauteur géopotentielle de 500 hPa pour les
prévisions à haute résolution IFS ( HRES ) et Pangu-Weather au-dessus de l'Europe pour l' hiver
2022/23 au jour 6 , mesurée par rapport à l'analyse opérationnelle . Pangu-Weather et l'IFS
produisent des prévisions d'une précision comparable et partagent une « crise » de prévision vers
la fin janvier .
Cependant, les scores peuvent être optimisés et les modèles ML sont formés pour faire exactement
cela. Pangu-Weather et FourCastNet ont été formés pour minimiser le RMSE. L'entraînement vers
ce type d' objectif peut lisser les prévisions et pénaliser les prévisions d' extrêmes. Mais bien sûr, les
prévisions météorologiques sont particulièrement utiles pour les événements extrêmes où des vies
sont en jeu.
Figure 2 : Erreurs moyennes de trajectoire des cyclones tropicaux en 2018 pour les prévisions à
haute résolution IFS (HRES) et Pangu-Weather, mesurées par rapport à IBTrACS. La statistique est
basée sur des événements ayant une force de tempête tropicale d'au moins 17 m/s, et les barres
mettent en évidence l'intervalle de confiance de 95 %.
En examinant la précision de la trajectoire des cyclones tropicaux de Pangu-Weather, nous
constatons que ce modèle ML fonctionne aussi bien que le modèle IFS dans son ensemble au cours
des cinq premiers jours de prévision (Figure 2). Le léger avantage de Pangu-Weather après deux
jours est principalement dû à la réduction des erreurs de suivi.
En regardant l'étude de cas du cyclone tropical Freddy en 2023 (Figure 3), nous constatons
également que même si l'emplacement est bien capturé par Pangu-Weather (et légèrement moins
précisément par FourCastNet), les vents liés au cyclone sont considérablement moins extrêmes et
symétriques. par rapport à l’analyse et à l’IFS. Il s'agit d'un autre effet qui peut être attribué à la
méthodologie de formation utilisée dans la génération actuelle de modèles ML, par la formation à
l'optimisation du RMSE.
Figure 3 : Prévisions du cyclone tropical Freddy en 2023 à partir de l'IFS HRES, Pangu-Weather
et FourCastNet par rapport à l'analyse et à l'ERA5 au jour 2. L'échelle de couleurs indique la
vitesse du vent (m/s) et les contours noirs montrent la pression moyenne au niveau de la mer. .
Pangu-Weather et l'IFS HRES ont des centres d'une précision très similaire, mais Pangu-Weather
sous-estime la vitesse du vent.
En outre, l’évaluation d’une série d’études de cas produit une image assez cohérente. Les modèles
ML basés sur les données font preuve de compétence dans la prévision des événements extrêmes
(par exemple, la récente vague de chaleur printanière dans la péninsule ibérique), mais peuvent ne
pas avoir l'intensité prédite par l'IFS. Ce n'est pas un problème fondamental avec les modèles ML,
mais découle de la méthodologie de formation. Ce problème peut être résolu par diverses
approches. Par exemple, l’adoption d’une approche de modélisation générative encouragerait des
prédictions plus extrêmes, même si cela fait souvent de la formation de ces modèles un art plus
subtil.
Quelle est la prochaine étape pour les prévisions météorologiques basées sur le
ML ?
À notre avis, nous nous trouvons actuellement à un moment passionnant de l’histoire des prévisions
météorologiques. Le coût infime de production de prévisions avec ces modèles basés sur le ML
signifie que l'on peut envisager de construire des ensembles haute résolution de 500 membres au
lieu de 50. La diffusion pourrait éventuellement être assurée en passant une condition initiale et un
modèle, permettant aux utilisateurs d'exécuter rapidement le modèle et extraire uniquement les
données qui les intéressent.
Ce n’est en aucun cas la mort de la modélisation conventionnelle. Les modèles physiques, tels que
l'IFS, ont été l'ingrédient clé pour générer l'ensemble de données ERA5 et les conditions initiales
requises pour exécuter ces modèles ML. Si le ML peut apprendre à prédire la météo, il pourrait
alors être déployé de manière hybride avec des modèles physiques pour vérifier, augmenter et
améliorer le système. Ces récents développements du ML nous motivent davantage à poursuivre
nos projets hybrides dans le cadre de la feuille de route.
Le CEPMMT et les centres météorologiques disposent d'un accès inégalé aux données du système
terrestre et à l'expertise du domaine, deux ingrédients cruciaux pour améliorer encore les modèles
ML. Il est maintenant temps d’adopter la technologie et d’établir quel est l’équilibre optimal entre la
modélisation physique et le ML pour continuer à améliorer les prévisions.
Nous avons des itinéraires supplémentaires à ajouter à notre feuille de route !
Lectures complémentaires
Vous pouvez en savoir plus sur les travaux du CEPMMT sur l’apprentissage automatique dans les
prévisions météorologiques dans notre rapport annuel 2022.
Image de bannière : LV4260 / iStock / Getty Images Plus

apprentissage_automatique_Cep.pdf

[Nico 14]

Les scores sur SON.Avec l'appartion du modèle FUXi,modèle dit "en cascade" qui essaie de mêler la précision d'un déterministe à court terme au bon résultat des moyennes de PE sur le long terme.Il est dispo dans la rubrique IA sur ECMWF.

 

 

Des articles,j'avoue ne pas avoir tout lu et compris:

 

https://www.ecmwf.int/en/about/media-centre/aifs-blog/2023/new-ml-model-ecmwf-web-charts

 

https://www.nature.com/articles/s41612-023-00512-1

[Matpo]

On entend beaucoup de remarques sur les AI je fais un petit aparté avec cette conférence (ça n a pas pour but de lancer un débat qui serait vite je pense HS 😅 mais pour savoir un peu mieux et moi y compris de quoi on parle quand on parle d IA de façon plus générale (sans rentrer dans le vif de l application en prévision météo)

 

Ludiquement décrit et facile à suivre