Selon Xinhua, des chercheurs chinois ont mis au point un nouveau système de prévision des tempêtes combinant l'IA avec des modèles de dynamique atmosphérique, contribuant à améliorer la précision de la prévision de la trajectoire des tempêtes. Les résultats de la recherche viennent d'être publiés dans la revue Advances in Atmospheric Sciences.
Les prévisions de trajectoire de la tempête rencontrent depuis longtemps de nombreuses difficultés en raison de l'effet papillon, le phénomène des très petits changements dans les conditions atmosphériques initiales qui peuvent s'amplifier avec le temps et entraîner de grandes distorsions dans les résultats des prévisions.
Ces dernières années, l'IA a contribué à accélérer le processus de prévision météorologique. Cependant, la plupart des modèles d'IA actuels s'inspirent principalement des données historiques sans intégrer pleinement les lois physiques de l'atmosphère, ce qui réduit la précision des prévisions pendant plusieurs jours.
L'équipe de recherche dirigée par M. Duan Wansuo (de l'Institut de physique atmosphérique, Académie chinoise des sciences) en collaboration avec l'équipe de M. Li Hao (Université Fudan) a développé le système FuXi-CNOPs en intégrant des algorithmes de dynamique non linéaire dans le modèle de prévision météorologique FuXi.
Le groupe de recherche a déclaré que le nouveau système pourrait identifier avec précision les zones atmosphériques qui ont un impact important sur la direction du déplacement de la tempête, tout en réduisant l'impact des perturbations initiales qui pourraient fausser les résultats des prévisions.
Grâce à l'évaluation de 62 tempêtes et de 91 expériences comparatives, FuXi-CNOPs atteint une précision équivalente à celle des principaux systèmes de prévisions mondiaux dans les prévisions à 24 heures. Pour les prévisions à moyen et long terme de 24 à 120 heures, le système donne des résultats plus stables et plus précis.
Un autre avantage de FuXi-CNOPs est son efficacité de calcul. Alors que de nombreux systèmes de prévision traditionnels ont besoin de traiter 51 ensembles de données pour donner des résultats, le nouveau système n'a besoin que de 31 ensembles de données mais maintient toujours une grande précision, réduisant ainsi considérablement la demande de ressources de calcul.
