La prévision numérique du temps prouve de plus en plus son utilité pour sauver des vies et protéger les biens dans des sociétés particulièrement vulnérables aux événements météorologiques extrêmes. Ces extrêmes deviennent plus intenses sous l’influence du changement climatique, ce qui rend encore plus importante l’amélioration des prévisions météorologiques numériques. Une façon d'améliorer les compétences en matière de prévision numérique du temps consiste à augmenter les algorithmes et les modèles basés sur la physique avec la puissance des modèles d'apprentissage automatique (ML) et d'intelligence artificielle (IA) nourris par la myriade de mesures de capteurs connectés (satellites, radar, lidar, radiomètres, etc.) pilotées par la télédétection in situ et l'Internet des objets (IoT).
Le terme Digital Twin est utilisé pour désigner la réplique numérique d'un système ou d'actifs physiques, dérivée de données réelles collectées à l'aide de divers types de capteurs et de technologies de surveillance de l'actif pendant son fonctionnement. Cela signifie souvent qu'un modèle analytique basé sur les données (c'est-à-dire le jumeau) est construit pour analyser, mettre à jour, prédire et/ou gérer l'opération aux performances de son homologue physique.
Le ML et l’IA donnent des prédictions basées sur le passé et automatisent le raisonnement formé sur les données historiques. Cela fonctionne bien pour la prévision immédiate, mais avec un recyclage complet, progressif et multiforme, il devient possible de prédire l'avenir avec une certitude quantifiable.
Les systèmes météorologiques sont hautement non linéaires, ce qui signifie qu’un petit changement maintenant peut entraîner des changements incroyablement importants dans le futur. Un système non linéaire n’est pas aléatoire, mais son comportement peut être difficile à prédire. Les prévisions concernant le changement climatique à moyen et à long terme, en particulier, s'appuient sur les premiers principes des lois de la physique. Seuls des modèles et des algorithmes basés sur la physique peuvent prédire de nouvelles relations de cause à effet lorsque peu de données sont disponibles pour initialiser le modèle de prévision et lorsque de nouvelles conditions initiales peuvent apparaître.
L’objectif de TQI est de passer d’une prévision accélérée basée sur la physique à une prévision augmentée en contournant les calculs fastidieux requis à l’aide d’algorithmes basés sur la physique. Cela signifie ajouter des modèles prédictifs générés par ML et Deep Learning (DL) pour reproduire les lois physiques codées dans AceCAST. TQI a adopté une nouvelle approche appelée Twin météo hybride (HWT) pour tous ses produits et services qui combinent une modélisation basée sur la physique et basée sur les données pour la prise de décision. Le premier construit des relations de cause à effet pour explorer la possibilité d'événements futurs, sur la base de descriptions théoriques et de variations des conditions initiales, tandis que le second met à jour le modèle hybride avec les observations réelles. Le HWT de TQI exploite les avantages de la vitesse et des performances en combinant un jumeau numérique avec le modèle prédictif accéléré basé sur la physique et le modèle de formation déchargé basé sur ML/DL moderne qui exploite pleinement la technologie contemporaine d'analyse des données météorologiques disponible.
La figure ci-dessous décrit l'architecture conceptuelle de HWT. Une particularité est que «hybride» s'applique à différents niveaux :
- Nœud de calcul : CPU et GPU
- Déploiement : cloud privé et public sur site et à la demande
- Sources de données : données maillées, données d'observation, données privées
- Modèles d'assimilation/prévision : basés sur la physique et ML/IA
Une image de l’architecture conceptuelle Hybrid Weather Twin.
TQI utilisera les méthodes ML/DL à plusieurs niveaux. Tout d’abord, au niveau du prétraitement pour améliorer l’amincissement, l’amélioration et l’assimilation des données. En localisant automatiquement les événements à fort impact, nous pouvons utiliser préférentiellement ces données dans le processus d’assimilation. Deuxièmement, remplacer les routines informatiques coûteuses des premiers principes par des modèles de substitution construits avec ML/DL. Troisièmement, lors du post-traitement, la détection automatique des variables, modèles et valeurs aberrantes les plus importants.
Cette approche HWT repose sur la combinaison et la complémentarité de modèles basés sur la théorie et de modèles basés sur ML/DL et est plus puissante et efficace lorsque les deux types de modèles s'exécutent sur la même plate-forme GPU. Avec le logiciel de prévisions météorologiques AceCAST, le solveur d'équations aux dérivées partielles et ML/DL fonctionnent sur GPU, permettant des prévisions personnalisées rapides et hyperlocales.
La résolution plus élevée du AceCAST (le composant basé sur la physique du HWT) améliore directement la capacité des modèles à simuler des événements extrêmes à petite échelle et permet aux informations contenues dans les observations d'être mieux assimilées au moment initial. Ce faisant, cela réduit la dépendance des modèles à des processus paramétrés inexacts, ce qui réduit les erreurs systématiques.
HWT intègre ML et DL pour améliorer automatiquement et continuellement ses modèles dynamiques, réduire les biais locaux des simulations scientifiques et accélérer la fourniture d'informations.
En guise de raccourci, les modèles basés sur la physique définissent le Virtual Twin et les modèles ML/DL le Digital Twin. L’Hybrid Weather Twin est un mélange des deux et offre une opportunité inexploitée d’améliorer les compétences en matière de prévisions météorologiques et climatiques à un nouveau niveau de précision.
HWT est la plate-forme innovante de TQI pour fournir des renseignements sur les prévisions météorologiques de meilleure qualité, plus rapides et moins chers et pour créer des systèmes de prise de décision pour gérer l'impact météorologique et climatique sur l'économie.
Suivez TempoQuest sur nos comptes LinkedIn, Facebook et Twitter pour des mises à jour supplémentaires. Nous sommes impatients de continuer à partager nos dernières actualités et collaborations avec vous.
TempoQuest LinkedIn : https://www.linkedin.com/company/tempoquest-inc Facebook TempoQuest : https://www.facebook.com/TempoQuestInc Twitter de TempoQuest : https://twitter.com/tempoquestInc.
