Dans le cadre d'une recherche susceptible d'améliorer les prévisions météorologiques et la sécurité de la conduite hivernale, une étude menée par l'Université du Michigan a distingué neuf types de précipitations distincts : pluie, neige et phases mixtes (par exemple, grésil) – en utilisant l'apprentissage automatique non supervisé et près d'une décennie de données de caméras à grande vitesse. La recherche est publiée dans Avancées scientifiques.
La pluie et la neige sont également probables à des températures supérieures et inférieures à zéro (entre -3 °C et 5 °C), ce qui rend difficile l'établissement de prévisions précises. Cette étude fait partie d'un effort de la NASA visant à permettre aux observations d'informer et d'améliorer les modèles météorologiques.
« À court terme, de meilleures prévisions peuvent aider les gens à ajuster leurs déplacements quotidiens ou à se préparer à des événements majeurs comme des inondations ou une tempête de verglas. À plus long terme, cela peut aider à prédire comment le manteau neigeux ou le moment du ruissellement modifieront la disponibilité en eau douce d'une région », a déclaré Claire Pettersen, professeure adjointe de sciences et d'ingénierie du climat et de l'espace à l'UM.
Les chercheurs ont utilisé des techniques statistiques et l’apprentissage automatique pour identifier les facteurs sous-jacents qui distinguent les précipitations et trier les données en fonction de ceux-ci. Leur système de classification comprend deux types de pluie, deux de neige et cinq mélanges uniques :
- Bruine – pluies légères et régulières
- Fortes précipitations – pluies intenses avec de nombreuses petites gouttes
- Transition pluie-mélange légère : grésil léger avec granules de glace denses
- Transition entre fortes pluies et mélange : grésil intense avec granules de glace denses
- Phase mixte légère : un faible volume de particules fondantes et partiellement gelées
- Phase mixte lourde : un volume élevé de particules fondantes et partiellement gelées
- Transition neige-mélange abondante : gros flocons de neige et particules d'agrégats
- Légères chutes de neige : chutes de neige légères et duveteuses
- Fortes chutes de neige : une tempête de neige intense et abondante
Se concentrer sur les transitions de phase pluie-neige
Prédire la phase – solide ou liquide – des précipitations est aujourd’hui un défi pour plusieurs raisons. Les températures comprises entre -3°C (26,6°F) et 5°C (41°F) peuvent produire de la neige ou de la pluie avec la même probabilité. Les modèles météorologiques se rapprochent de la microphysique complexe qui se déroule à l’intérieur des nuages, ce qui introduit des erreurs. Et les satellites, qui suivent les systèmes météorologiques depuis l’espace, sont basés sur des observations de précipitations issues de campagnes sur le terrain qui pourraient ne pas refléter les conditions actuelles.
Pour étendre et mettre à jour les données sur lesquelles reposent les modèles météorologiques, la NASA a développé un système de caméra spécialisé appelé Precipitation Imaging Package, ou PIP en abrégé, et l'a déployé sur sept sites aux États-Unis, au Canada et en Europe. L'instrument, un disdromètre vidéo, utilise une caméra haute vitesse résistante aux intempéries et une lumière vive pour enregistrer les précipitations tombant dans le champ de vision de la caméra. Ses mesures de la taille des particules, de leur distribution granulométrique, de leur densité, de leur concentration et de leurs vitesses de chute aident à délimiter la neige et la pluie. (Un disdromètre est un instrument qui mesure la vitesse et la distribution de la taille des particules de précipitation.)
Dans cette étude, les chercheurs ont exploité les données PIP collectées en continu pendant neuf ans sur ces sept sites, équivalant à 1,5 million de mesures de particules à l'échelle minute. Ils l'ont complété par des mesures de stations météorologiques de surface pour obtenir une image complète des conditions environnementales, notamment la température, l'humidité relative, le point de rosée, la pression et la vitesse du vent.
Découvrir la structure des ensembles de données avec la réduction de dimensionnalité UMAP
Pour donner un sens à cet énorme ensemble de données, l’équipe de recherche a utilisé la réduction de dimensionnalité, une technique statistique qui simplifie les données comportant de nombreuses variables afin de comprendre les modèles sous-jacents. Parmi les deux modèles testés, une méthode non linéaire, qui permet des relations indirectes ou conditionnelles entre les variables, a surpassé une méthode linéaire conventionnelle qui nécessite des relations directes.
Comparée aux données radar météorologiques indépendantes de Marquette, Michigan, la méthode non linéaire a suivi les transitions de précipitations qui correspondaient aux observations radar tout en réduisant les cas ambigus de 36 % par rapport à la méthode linéaire.
« Les processus de précipitation sont très non linéaires. De nombreux facteurs influencent les précipitations lorsqu'elles tombent et affectent ce que nous ressentons à la surface », a déclaré Pettersen.
Appelée UMAP pour Uniform Manifold Approximation and Projection, la méthode non linéaire a réduit la dimensionnalité de 75 %, identifiant trois facteurs principaux qui distinguent les précipitations : la phase, l'intensité et les caractéristiques des particules. Ces facteurs ont aidé à identifier et à définir ces types de précipitations distincts. Il est important de noter que l’UMAP met également en évidence les cheminements entre les types, permettant ainsi une compréhension plus approfondie des transitions telles que les fortes pluies et la neige fondue.
Dans le but de partager largement leurs résultats, l'équipe de recherche propose un graphique interactif pour visualiser les données et une interface publique permettant à quiconque d'essayer son système de classification. Sans connaissances préalables en programmation informatique, les utilisateurs peuvent introduire les variables climatiques dont ils disposent et recevoir une distribution de probabilité de ce à quoi ressemblera la classe de précipitations.
« Nous sommes ravis de voir comment d'autres personnes l'utiliseront et espérons que cela apportera des avantages à la communauté de la modélisation grâce à l'interface et à la table de recherche que nous avons construite ici », a déclaré Fraser King, chercheur en sciences et ingénierie du climat et de l'espace à l'UM et auteur principal de l'étude.
Les données sont disponibles sur Deep Blue Data.
