L’IA au service de la météorologie et de l’adaptation au changement climatique
Qu’est-ce que l’IA ?
L’intelligence artificielle (IA) permet à une machine d’effectuer des tâches intelligentes telles que la planification, le raisonnement, la prédiction et la classification. Machine Learning (apprentissage automatique) est une branche de l’IA dans laquelle un programme informatique apprend à partir de données existantes pour effectuer des prédictions ou des tâches. Par exemple, un programme d’apprentissage automatique peut reconnaître des animaux sur des photos en apprenant à partir d’images existantes. Depuis 2012, l’IA a fait un énorme bond en avant grâce aux développements du deep learning (réseaux neuronaux artificiels à très nombreuses couches), ainsi qu’à une augmentation de la puissance de calcul des ordinateurs. Grâce au deep learning, les technologies telles que les voitures autonomes, les assistants virtuels (Siri, Google Assistant, Alexa,...) et les services basés sur de grands modèles de langage, comme chatGPT, s’améliorent de plus en plus. L’IA a de plus en plus d’applications pratiques, y compris dans le domaine scientifique.
L’IA pour la météorologie
Prévoir le temps est un défi car de nombreuses échelles temporelles et spatiales sont impliquées. Les modèles météorologiques numériques résolvent les équations physiques de l’atmosphère pour produire une prévision. Ils nécessitent une grande puissance de calcul et deviennent moins fiables lorsque les prévisions sont éloignées dans le temps. Plus les modèles sont fins, plus les prévisions sont précises au niveau local, comme le montre la figure suivante. Malheureusement, cela nécessite également beaucoup plus de puissance de calcul. Une autre solution consiste à augmenter la résolution des modèles à l’aide de l’IA.
Calcul du climat urbain
Les villes ont un climat unique en raison du grand nombre de bâtiments et de rues qui les composent. Pendant la journée, ils stockent la lumière du soleil sous forme d’énergie, qui est émise sous forme de chaleur pendant la nuit. Cet effet d’îlot de chaleur urbain fait que les villes sont plus chaudes la nuit que les zones rurales environnantes. En outre, l’activité humaine produit localement de la chaleur supplémentaire (chauffage, voitures, etc.). La prévision du climat urbain est complexe car les modèles météorologiques traditionnels ont tendance à fonctionner à grande échelle. La finesse du paysage urbain crée des microclimats qui peuvent varier considérablement au sein d’une même ville, en raison d’effets locaux tels que la pollution de l’air et les différences entre les zones bâties. Cela rend les prévisions urbaines difficiles et souvent divergentes par rapport aux modèles climatiques régionaux.
Pour cartographier correctement le climat urbain, les interactions entre l’urbanisme, les activités humaines et le climat local doivent être transformées en équations mathématiques, puis calculées. Les modèles qui tiennent compte de ces effets peuvent fournir une meilleure image du climat d’une ville. Cela permet d’obtenir de meilleures informations pour la planification urbaine et les décisions politiques, en soulignant la nécessité de disposer d’espaces verts, de matériaux réfléchissants et d’une architecture appropriée pour contrer l’augmentation des températures dans les zones urbaines.
L’IA au service du climat urbain
L’IA ouvre la voie à des prévisions climatiques urbaines poussées. En utilisant des données climatiques historiques et des informations sur l’urbanisme, les modèles d’IA peuvent faire des prédictions plus détaillées. Par exemple, ils peuvent simuler l’effet sur la température de la présence d’un plus grand nombre d’arbres dans la ville ou de bâtiments dotés de surfaces réfléchissantes. Ces connaissances peuvent contribuer à un aménagement urbain durable et à des stratégies de régulation de la température.
Notre projet de recherche
Les chercheurs de l’ETRO (Electronics and Informatics) et de la VUB (Vrije Universiteit Brussel) travaillent sur un modèle de climat urbain alimenté par l’IA. Pour ce faire, ils collaborent avec l’RMI et l’UGent, en utilisant les mesures de température fournies par les citoyens. Les modèles d’intelligence artificielle sont entraînés à partir de ces mesures, ce qui offre un moyen innovant de mieux calculer le climat de la ville.
En collectant des données à partir de différentes sources de mesures réparties dans la ville, telles que des capteurs dans les smartphones, des stations météorologiques et d’autres ressources déployées par les citoyens, nous obtenons un réseau de mesures à relativement haute résolution. Dans le cadre de ce projet, nous avons utilisé les données du réseau VLINDER, qui est un réseau de stations météorologiques de qualité placées dans des zones rurales, urbaines et dans quelques autres endroits particuliers. Ces stations ont été placées ici spécifiquement pour étudier l’effet de l’environnement local sur le climat local.
Sur cet ensemble de données, une IA a été entraînée à partir de prévisions météorologiques à plus faible résolution et de la couverture végétale locale, et les a utilisées pour calculer les corrections nécessaires à l’obtention de la température locale (urbaine). De cette manière, la combinaison de l’IA et des observations des citoyens peut contribuer à des prévisions météorologiques urbaines plus précises et plus pertinentes. Vous pouvez en voir un exemple ci-dessous, où le modèle d’IA a été utilisé pour calculer l’effet d’îlot de chaleur urbain pour une nuit d’été pendant une canicule. Ce modèle d’IA basé sur le réseau VLINDER est également utilisé comme modèle climatique urbain pour l’atelier d’aujourd’hui.
Envie d’en savoir plus ? Découvrez le Master in Applied Computer Science à la VUB