{"id":708,"date":"2025-01-28T07:26:36","date_gmt":"2025-01-28T06:26:36","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil2\/?p=708"},"modified":"2026-04-19T12:57:24","modified_gmt":"2026-04-19T10:57:24","slug":"modeliser-la-physique-atmospherique-prevoir-la-formation-de-cyclones-tropicaux-et-predire-le-climat-futur","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/modeliser-la-physique-atmospherique-prevoir-la-formation-de-cyclones-tropicaux-et-predire-le-climat-futur\/","title":{"rendered":"Climat et cyclones : l\u2019IA au service de la physique pour mieux pr\u00e9voir les extr\u00eames m\u00e9t\u00e9orologiques"},"content":{"rendered":"\n

Texte original publi\u00e9 sur : https:\/\/wp.unil.ch\/geoblog\/2024\/03\/modeliser-la-physique-atmospherique-prevoir-la-formation-de-cyclones-tropicaux-et-predire-le-climat-futur\/<\/a><\/em><\/p>\n\n\n\n

\n
\n

Les mod\u00e8les climatiques doivent jongler avec une immense quantit\u00e9 de donn\u00e9es et des processus atmosph\u00e9riques complexes. Physicien du climat \u00e0 l\u2019UNIL, Tom Beucler int\u00e8gre des r\u00e9seaux de neurones \u00e0 ses simulations pour en r\u00e9duire le co\u00fbt de calcul, tout en augmentant leur finesse. Guid\u00e9s par les lois de la physique, ses mod\u00e8les hybrides, \u00e0 la crois\u00e9e de l\u2019IA et de la m\u00e9t\u00e9orologie, permettent une meilleure pr\u00e9vision des ph\u00e9nom\u00e8nes extr\u00eames comme les cyclones tropicaux. En combinant rigueur scientifique, puissance de calcul et r\u00e9flexions \u00e9thiques, cette approche ouvre une nouvelle \u00e8re pour la recherche climatique.<\/p>\n<\/div>\n\n\n\n

Am\u00e9liorer les mod\u00e8les gr\u00e2ce aux r\u00e9seaux de neurones tout en respectant les lois de la physique<\/h3>\n\n\n\n

L’atmosph\u00e8re suit des lois physiques qui peuvent \u00eatre traduites en \u00e9quations. La complexit\u00e9 atmosph\u00e9rique provient de la multitude de variables et d’\u00e9chelles impliqu\u00e9es, qui peuvent interagir entre elles. Lorsqu\u2019il d\u00e9sire mod\u00e9liser cette complexit\u00e9, Tom Beucler se retrouve vite face aux limites de la capacit\u00e9 de calcul des ordinateurs. Il int\u00e8gre les r\u00e9seaux de neurones pour r\u00e9duire le co\u00fbt de calcul, avec la possibilit\u00e9 de combiner des variables de natures multiples (mod\u00e8les haute-r\u00e9solution, radars m\u00e9t\u00e9orologiques, images satellites, etc). Ceci lui permet d\u2019am\u00e9liorer et simplifier la repr\u00e9sentation des processus complexes et rendre les mod\u00e8les atmosph\u00e9riques plus accessibles car moins co\u00fbteux.  <\/p>\n\n\n\n

Tom Beucler pr\u00e9cise qu\u2019il arrive que les calculs bas\u00e9s uniquement sur des donn\u00e9es et des algorithmes conduisent \u00e0 des r\u00e9sultats incompatibles avec les lois physiques (par exemple, il a obtenu des r\u00e9sultats ne satisfaisant pas la loi de conservation de la masse et de l’\u00e9nergie). Afin d\u2019\u00e9viter cela, il int\u00e8gre dans ses mod\u00e8les d\u2019IA la connaissance physique (apprentissage machine \u00ab guid\u00e9 par la physique \u00bb, o\u00f9 les mod\u00e8les IA op\u00e8rent sur les donn\u00e9es dans un cadre contraint par des connaissances physiques, \u00e9vitant ainsi les r\u00e9sultats incoh\u00e9rents).<\/p>\n\n\n\n

\"beucler<\/figure>\n\n\n\n

Gr\u00e2ce aux outils de la mod\u00e9lisation statistique, Tom Beucler et son \u00e9quipe ont d\u00e9j\u00e0 pu obtenir des am\u00e9liorations dans la mod\u00e9lisation de la formation et de l\u2019\u00e9volution des cyclones tropicaux : l\u00e0 o\u00f9 les mod\u00e8les classiques donnent de nombreux \u00ab faux positifs \u00bb (le mod\u00e8le pr\u00e9dit un cyclone l\u00e0 o\u00f9 il n’y en a pas), les mod\u00e8les plus coh\u00e9rents avec les donn\u00e9es observationnelles permet de conserver les pr\u00e9dictions correctes, tout en r\u00e9duisant consid\u00e9rablement les \u00ab faux positifs \u00bb.<\/p>\n\n\n\n

\n