Thèse en sciences de la Terre, soutenue le 22 septembre 2026 par Milton Salvador Gomez Delgadillo, rattaché à l’Institut des dynamiques de la surface terrestre (IDYST) de la FGSE.
Les cyclones tropicaux (TCs, pour tropical cyclones) demeurent parmi les phénomènes météorologiques les plus dévastateurs pour les populations humaines. Aussi des efforts considérables ont-ils été déployés afin de comprendre ces phénomènes, dans le but de produire des prévisions utiles. Traditionnellement, ces prévisions reposent sur des modèles de circulation générale (GCMs, pour general circulation models), qui fournissent une prévision globale de l’atmosphère et représentent les phénomènes de grande échelle influençant leur comportement. Pour rendre compte du comportement des TCs, ces modèles servent ensuite à piloter des modèles à plus fine échelle, à moins que les GCMs ne soient exécutés à une résolution suffisamment élevée pour saisir convenablement leur comportement — deux solutions qui entraînent des coûts de calcul considérables. Récemment, les modèles de prévision météorologique fondés sur l’intelligence artificielle (modèles AIWP, pour artificial intelligence weather prediction) se sont imposés comme des solutions de rechange aux GCMs traditionnels, économes en calcul au moment de la prévision. Toutefois, ces modèles n’étant pas régis par la physique, mais reposant sur l’apprentissage de régularités présentes dans leurs données d’entraînement, il est nécessaire de déterminer si, et de quelle manière, ils peuvent être employés pour la prévision des TCs. La présente thèse entend contribuer à répondre à cette question.
Un premier objectif de cette thèse consiste à évaluer si la première génération de modèles AIWP fournit des informations utiles à la prévision de l’intensité des TCs. Elle montre que ces modèles apportent une information de valeur pour la prévision de l’intensité, en s’appuyant sur une hiérarchie d’algorithmes de post-traitement pour en évaluer l’utilité. Elle constate néanmoins que, pour les algorithmes testés, les erreurs atteignent au bout de trois à quatre jours une ampleur comparable à la variabilité naturelle des données. Elle rapporte également que, au sein des modèles étudiés, les algorithmes exploitant l’information spatiale n’offrent pas nécessairement de meilleures performances que des réseaux neuronaux plus simples.
Un autre objectif est de fournir des outils de benchmarking pour la prévision des TCs. Compte tenu des difficultés que soulève l’interprétation des performances rapportées par les différents auteurs de modèles AIWP (e.g., la variabilité des méthodes de suivi des cyclones et celle des jeux de test), il importe de disposer de moyens permettant de comparer équitablement ces modèles, tant entre eux qu’aux modèles traditionnels. La présente thèse propose un tel référentiel, comprenant des évaluations déterministes et probabilistes de la prévision de la trajectoire et de l’intensité des TCs. Enfin, la thèse vise à fournir des outils permettant de comprendre les sources d’incertitude des prévisions de TCs réalisées à l’aide de modèles AIWP. Elle cherche à distinguer l’incertitude imputable à la variance des champs prédits de celle issue des modèles de post-traitement. Cette question demeure ouverte.
Laisser un commentaire