Peut-on améliorer la prévision de la MJO grâce aux méthodes d’intelligence artificielle ?

Avec Rémy Köth, élève ingénieur à l’ENM (Ecole Nationale de la Métérologie) en stage de projet de fin d’étude au sein du projet PISSARO, et Quoc-Phi Duong (DESR/LACy), nous nous sommes posés la question ! Pour y répondre, Rémy et Quoc-Phi ont mis en œuvre des diagnostics de la MJO sur le bassin sud-ouest de l’Océan Indien à partir des données de prévisions intra-saisonnière de la base S2S avec des techniques d’intelligence artificielle.

Après avoir testé plusieurs méthode d’IA (machine learning et deep learning), Rémy a montré que les méthodes de régression par IA sont capables d’établir un bon diagnostic de l’indice RMM de la MJO sous deux formes : le diagnostic de l’indice RMM et le débiaisage du modèle par rapport à l’analyse choisie (BoM). Parmi les modèles mis en oeuvre, le SVR (Support Vector Regressor) s’est avéré être le modèle le plus performant, avec une précision de 71% sur le diagnostic de la phase d’une MJO intense. En mode prévision, cette méthode d’IA s’est montrée performante en permettant d’obtenir des prévisions plus fiables et de repousser le seuil de prévisibilité de 1 à 2 jours. Vous pouvez découvrir ces résultats plus en détails dans le rapport ici ainsi qu’un article synthétique de 4 pages là.

On félicite Rémy pour son excellente soutenance et on le remercie d’avoir participé activement à faire avancer le projet. Grâce à Rémy et à Quoc-Phi, le projet PISSARO met un pied dans le monde de l’intelligence artificielle !

Et, nous, on vous tiens au courant des avancées sur le sujet…

Hélène Vérèmes et Sylvie Malardel