Une équipe de recherche dirigée par le professeur Mao Miaohua au Yantai Institute of Coastal Zone Research de l'Académie chinoise des sciences, a développé une méthode pour prédire les surtensions des tempêtes. Cette approche innovante améliore la qualité de la modélisation du champ du vent du typhon grâce à l'utilisation d'un champ de vent hybride.
Les chercheurs ont créé quatre modèles d'apprentissage automatique (ML) pour prédire les surtensions des tempêtes, améliorant considérablement la précision des prévisions lorsqu'elles sont intégrées au modèle de l'océan communautaire à volume fini (FVCOM-ML).
Leurs résultats ont été publiés dans le Journal of Geophysical Research: Machine Learning and Computation.
Des prédictions précises et opportunes des surtensions des tempêtes sont essentielles pour une gestion efficace des zones côtières et des stratégies de réduction des risques. La mer de Bohai semi-fermée dans le nord-ouest du Pacifique, qui était historiquement moins affectée par les événements de typhon, a récemment connu un changement dans les modèles d'activité du typhon. En conséquence, les prévisions fiables des ondes de tempête sont cruciales pour sauvegarder des vies et des biens dans les régions côtières.
Dans cette étude, un champ de vent hybride a été développé en combinant le champ de vent de réanalyse avec le modèle hollandais. L'équipe a créé quatre modèles ML pour compenser les données manquantes en utilisant des simulations numériques de surtensions de tempête menées avec le modèle de circulation avancée.
L'intégration de ces méthodes améliore la précision de la prédiction et réduit l'incertitude en fournissant des prévisions de surtensions des tempêtes avec des délais de 6, 12 et 18 heures en conjonction avec FVCOM (FVCOM-ML).
Bien qu'il n'y ait pas de différence significative dans la précision des prévisions parmi les quatre modèles ML pour les prévisions de surtension de tempête en un seul site et en une seule étape, la précision a tendance à diminuer à mesure que le délai de prévision augmente.
La précision de prédiction du modèle intégré pour les surtensions des tempêtes à site unique et en plusieurs étapes est supérieure à 30% plus élevée que celle des modèles individuels. De plus, les performances de prévision du modèle intégré pour les ondes de tempête multi-sites dépassent notamment celles des modèles uniques, en particulier pour les prédictions multi-étapes multi-sites.
En combinant des techniques ML avec des modèles numériques, FVCOM-CNN-LSTM et FVCOM-ConLSTM démontrent des capacités de prédiction élevées.
Contrairement à la ML traditionnelle, qui repose uniquement sur des fonctions objectives et n'adhère pas aux principes physiques, FVCOM-ML simule les résidus qui atténuent efficacement les incertitudes typiques des méthodes conventionnelles. La précision de prédiction des modèles ML dans les baies Bohai et Laizhou dépasse celle de la baie de Liaodong pour les surtensions de tempête.
Par rapport aux modèles uniques, les modèles intégrés améliorent la précision des prévisions de surtension de tempête dans la mer de Bohai de 18%.
De plus, l'utilisation des techniques ML peut réduire les coûts associés aux prévisions de surtension de tempête, positionnant ces modèles comme des systèmes de prévision à réponse rapide potentiels pour les futures surtensions des tempêtes.
