L'IA face aux grands problèmes du monde ─ Sciences de la Terre et du climat
Les sciences et le savoir avancés par l'IA, par discipline
Flux RSS · 5 éléments
Prévoir les points de bascule avec l'IA
Titre original: Forecasting Tipping Points with AI
Les points de bascule, au-delà desquels un système ne peut plus revenir à son état initial, sont plus difficiles à prédire que les changements météorologiques à court terme. Une équipe dirigée par Caltech a montré qu'un opérateur neuronal récurrent (RNO), un type de réseau de neurones, peut prédire l'apparition des points de bascule dans des modèles simples. Ceux-ci comprennent un modèle de système de changement climatique et des simulations d'écoulement d'air turbulent sur l'aile d'un avion. L'article a été publié dans PNAS.
Faire progresser les prévisions subsaisonnières grâce à l'apprentissage automatique
Titre original: Advancing subseasonal forecasting with machine learning
La performance des prévisions chute fortement aux échelles de temps subsaisonnières, de 2 à 6 semaines à l'avance. Les auteurs présentent la correction de biais probabiliste, un cadre d'apprentissage automatique qui apprend à corriger les prévisions probabilistes historiques, et l'appliquent aux principaux modèles dynamiques et d'IA du CEPMMT. Elle a doublé la performance subsaisonnière modeste de l'AI Forecasting System et amélioré le modèle dynamique pour la plupart des cibles de pression, de température et de précipitations, et lors du concours en temps réel 2025 du CEPMMT, ses prévisions globales ont été les meilleures.
Prévoir les risques de la météo spatiale pour les réseaux électriques
Titre original: Forecasting space weather risks on power grids
Les événements météorologiques spatiaux extrêmes peuvent induire dans les réseaux de transport d'électricité des courants qui endommagent les équipements, et les gestionnaires de réseau ont besoin de savoir quand et où les effets seront les plus graves, avec un préavis suffisant. Microsoft Research a conçu un pipeline d'apprentissage automatique qui combine des données sur le vent solaire, des prévisions AE et Dst, la latitude locale, la géologie et la conductivité du sol pour produire des estimations de risque pour 66 935 postes électriques des États-Unis continentaux. Durant la période d'évaluation, il a détecté près de 80 % des événements météorologiques spatiaux majeurs et peut avertir les opérateurs 30 à 60 minutes avant l'apparition d'un risque précis.
Un outil d'IA de cartographie des cultures de petits exploitants fait ses preuves au Sénégal
Titre original: AI tool for mapping smallholder crops proves itself in Senegal
Au Sénégal, les petites exploitations agricoles dépendantes de la pluie exposent une grande partie de la population aux chocs climatiques, mais les outils de cartographie des cultures par satellite restent largement hors de portée. Des chercheurs de l'université de Cambridge ont utilisé Tessera, un modèle d'IA open source entraîné sur des images satellites, pour cartographier les cultures dans le bassin arachidier du Sénégal. Lors des tests, il a donné le bon résultat dans 84 % des cas, une précision supérieure à celle des méthodes actuelles, tout en n'utilisant qu'une fraction des ressources de calcul et des données étiquetées. Dans un scénario, il a obtenu des performances supérieures de 28 % à celles du meilleur modèle suivant.
Évaluation régionale des risques climatiques à partir de modèles climatiques par apprentissage automatique probabiliste
Titre original: Regional climate risk assessment from climate models using probabilistic machine learning
Les modèles climatiques sont trop grossiers pour les décisions de gestion des risques régionaux, et les méthodes de descente d'échelle existantes sont trop coûteuses pour de grands ensembles, ignorent les dépendances multivariées, ou exigent des paires d'entraînement alignées dans le temps que les projections en libre évolution ne fournissent pas. GenFocal est un cadre d'IA générative qui produit une météo à fine échelle statistiquement exacte à partir de projections grossières, sans données d'entraînement appariées. Il synthétise des aléas de longue durée tels que les vagues de chaleur et les cyclones tropicaux, échantillonne les événements rares à fort impact plus précisément que les meilleures méthodes, et améliore les estimations régionales des extrêmes composés.