La prévision précise des cyclones tropicaux (TC) est cruciale pour l’atténuation des catastrophes et la sécurité publique. Bien que la précision des prévisions des traces de TC se soit considérablement améliorée au cours des dernières décennies, les progrès dans la prévision de l’intensité du TC restent limités. Ces dernières années, les méthodes d’apprentissage profond ont montré un grand potentiel dans la prédiction de l’intensité du TC ; Cependant, ils sont toujours confrontés à des défis, notamment une interprétabilité limitée, une ingénierie de fonctionnalités lourde et des prévisions opérationnelles en temps réel peu fiables.
Pour surmonter ces limitations, l'équipe de recherche dirigée par le professeur Wei Zhong du Collège d'études interdisciplinaires avancées de l'Université nationale de technologie de la défense, Chine, propose un nouveau cadre de prédiction de l'intensité du TC qui intègre les réseaux Kolmogorov-Arnold (KAN) avec un module d'optimisation de l'élagage des prédicteurs dynamiques, à savoir TCI-KAN. Il se compose de trois modules : le module d'optimisation de l'élagage des prédicteurs, le module d'optimisation du réseau neuronal et le module de prédiction. Les résultats de la recherche ont été récemment publiés dans Lettres scientifiques atmosphériques et océaniques.
Les résultats des tests démontrent que le module d’optimisation de l’élagage des prédicteurs peut sélectionner efficacement 15 prédicteurs à fort impact parmi 317 prédicteurs. TCI-KAN atteint une précision supérieure dans les prévisions d'intensité sur 6 heures, avec une erreur absolue moyenne (MAE) de 2,85 kt. TCI-KAN surpasse considérablement les meilleurs records référencés de 31 %, 13 % et 6 % en MAE par rapport aux prévisions opérationnelles officielles, aux modèles d'apprentissage en profondeur uniques et aux modèles d'apprentissage en profondeur hybrides, respectivement.
De plus, TCI-KAN convient à différents bassins et catégories TC. Il présente une précision plus élevée et une incertitude plus faible dans la région du Pacifique oriental par rapport aux autres régions, mais l’erreur de prévision et l’incertitude augmentent avec l’intensité croissante des TC.
« Ce travail étend l'application de réseaux d'apprentissage profond interprétables à la prévision de l'intensité du TC et améliore considérablement la précision des prévisions. Il fournit non seulement une nouvelle voie technique pour la prévision de l'intensité du TC, mais favorise également le développement du paradigme de prévision intégrant des méthodes basées sur les données et les mécanismes physiques », déclare le professeur Wei Zhong, l'auteur correspondant de l'article.
Le premier auteur de l'article est Keyun Li, étudiant en maîtrise à l'Université nationale de technologie de la défense.
