Work

Assessment of the potential and limitations of machine learning for seasonal precipitation forecasting based on teleconnections

Year: 2025
Type: dissertation
Abstract: L’application de l’apprentissage automatique (AA) à la prévision météorologique et climatique a connu des progrès rapides ces dernières années, stimulés par les avancées dans les architectures de réseaux neuronaux et par la disponibilité croissante de jeux de données de réanalyse à haute résolution. Bien que les modèles de prévision météorologique basés sur l’AA (AAPM) aient atteint des performances remarquables, ils restent en grande partie centrés sur la prévision à court terme. L’extension de ces techniques à la prévision climatique saisonnière présente des défis importants, principalement en raison de la disponibilité limitée de données observationnelles mensuelles, ce qui augmente le risque de surapprentissage et réduit la fiabilité des prévisions. Cette thèse explore des stratégies visant à améliorer la performance des modèles de prévision saisonnière basés sur l’AA (AAPCS), en s’appuyant sur l’apprentissage par ensemble, la sélection des variables d’entrée (SVE) et l’augmentation des données d’entraînement à l’aide de simulations issues de modèles dynamiques. Les analyses ont été menées à l’aide de TelNet, un modèle de réseau neuronal séquence-à-séquence que nous avons conçu spécifiquement pour la prévision saisonnière des précipitations. TelNet est entraîné à partir de données de précipitations et d’indices climatiques calculés à partir de réanalyses et de simulations de modèles dynamiques, et son architecture est optimisée pour fonctionner efficacement avec un volume limité de données d’entraînement. La performance de TelNet est évaluée dans plusieurs expériences. Premièrement, une version entraînée sur les données de réanalyse ERA5 est comparée aux principaux modèles dynamiques et statistiques dans une région de forte prévisibilité saisonnière (Ceará, Brésil). Les résultats montrent que TelNet fournit des prévisions très précises et bien calibrées, en particulier pendant la saison des pluies, lorsque le signal climatique est le plus fort. Pour pallier les limitations imposées par de petits ensembles d’entraînement, le modèle est également entraîné à partir d’un grand nombre de simulations individuelles des modèles climatiques CMIP6 pour la prévision saisonnière des précipitations en Amérique du Sud. Les résultats démontrent que, si un petit nombre de simulations conduit à de faibles performances en raison des biais des modèles, l’augmentation du nombre d’échantillons CMIP6 améliore considérablement la qualité des prévisions. En fait, le modèle TelNet entraîné avec plusieurs simulations individuelles CMIP6 surpasse les modèles entraînés avec la réanalyse ERA5 et la moyenne d’ensemble des modèles CMIP6, ainsi que les modèles dynamiques à la pointe de la technologie, pour différents mois d’initialisation et horizons de prévision. Une étude complémentaire étend TelNet dans un cadre bayésien afin de décomposer explicitement l’incertitude des prévisions en composantes aléatoires (liées aux données) et épistémiques (liées au modèle). Les résultats montrent que l’incertitude aléatoire domine dans tous les cas. Les modèles basés sur ERA5 produisent une incertitude plus faible mais tendent à être trop confiants, tandis que les modèles basés sur CMIP6, malgré une incertitude plus élevée, fournissent des prévisions mieux calibrées. De plus, les modèles entraînés à prédire des valeurs d’ensemble ont systématiquement surpassé ceux entraînés à prédire des probabilités catégorielles, car ils conservent davantage d’informations. Dans une autre étude complémentaire, un ensemble homogène de réseaux neuronaux artificiels (EHNNA) basé sur des indices climatiques est développé pour prévoir les précipitations saisonnières sur le Ceará. L’EHNNA montre de bonnes performances par rapport aux modèles statistiques traditionnels et aux modèles dynamiques opérationnels. En outre, la combinaison de l’EHNNA avec des modèles dynamiques améliore la fiabilité en réduisant l’excès de confiance dans les catégories de précipitations extrêmes. Ainsi, cette thèse fait progresser la recherche en AAPCS en proposant des stratégies pour surmonter les limitations liées aux données, améliorer la généralisation des modèles et fournir une évaluation complète des potentiels et des limites des modèles d’AA pour la prévision saisonnière des précipitations.
Language: French
Open Access status: green
OpenAlex ID: W7221275223
Cites: 136
Cited by:
Related to: 9