Face aux menaces croissantes liées aux changements climatiques, l’amélioration des prévisions météorologiques devient un enjeu majeur. C’est dans ce contexte que Lassana Coulibaly, chercheur en informatique, a soutenu une thèse à l’Université de Toulouse en décembre 2020, sous la direction des professeurs Bernard Kamsu-Foguem et Fana Tangara. Son travail, à la croisée de la météorologie et de l’intelligence artificielle, propose des outils pour rendre les modèles de prévision du temps et du climat plus fiables.
Les services météorologiques du monde entier doivent composer avec une difficulté majeure : les données récoltées sur le terrain ne sont pas toujours fiables. Or, elles sont essentielles pour alimenter les modèles numériques qui simulent le comportement de l’atmosphère. En particulier, certains phénomènes comme le transfert d’énergie entre la surface terrestre et l’atmosphère sont sensibles aux erreurs de mesure. Lassana Coulibaly s’est intéressé à ce problème en développant une approche basée sur l’apprentissage automatique. Grâce à ces méthodes, il devient possible de diagnostiquer les faiblesses des modèles actuels, de corriger les erreurs issues des observations et de renforcer la fiabilité des simulations.
Erreurs … à la fiabilité des bases de données météorologiques
Première étape de la démarche : utiliser des algorithmes capables d’extraire automatiquement des règles d’association à partir des données. Ces règles permettent de repérer où et quand les modèles météorologiques se trompent. Par exemple, d’abord, l’étude a révélé que les erreurs dans la simulation du rayonnement global s’accompagnent souvent d’erreurs sur les flux de chaleur, sensible et latente des variables clés dans la dynamique atmosphérique. La deuxième, le chercheur a mobilisé une technique avancée : les processus gaussiens, capables de prendre en compte l’incertitude inhérente aux mesures. En intégrant des connaissances de terrain dans ces modèles statistiques, il a pu améliorer considérablement la fiabilité des bases de données météorologiques. La dernière brique du travail repose sur un optimiseur géométrique fondé sur le principe d’homothétie une transformation mathématique qui permet de mettre à l’échelle les données simulées en fonction des formes observées. Résultat : les simulations ont été ajustées avec une précision remarquable atteignant jusqu’à 100 % de correspondance dans certains cas.
Dialogue renforcé entre l’homme, la machine et la nature
L’ensemble des méthodes a été testé sur des données réelles collectées au Centre de Recherches Atmosphériques, dans les Pyrénées, un site clé de la Plateforme Pyrénéenne d’Observation de l’Atmosphère (P2OA). Les résultats sont prometteurs : au-delà de l’amélioration des prévisions, cette recherche ouvre des perspectives pour une meilleure communication entre les modèles numériques et les services d’observation, un enjeu déterminant pour la gestion des risques environnementaux. En pleine ère de bouleversements climatiques, cette thèse apporte une contribution essentielle : celle d’un dialogue renforcé entre l’homme, la machine et la nature.
Fabrice Nouzianyovo
