Cerfacs Entrez dans le monde de la haute performance...

Alban FARCHI (Chercheur ECMWF)

Correction des erreurs de modèle en ligne avec des réseaux neuronaux – de la théorie au système de prévision du CEPMMT

https://youtube.com/live/YhcGyet661w?feature=share

Des études récentes ont montré qu’il est possible de combiner l’apprentissage machine (ML) et l’assimilation de données (DA) pour reconstruire la dynamique de systèmes partiellement et imparfaitement observés. Cette approche tire parti des points forts des deux méthodes.
L’AD est utilisée pour estimer l’état du système à partir des observations, tandis que l’apprentissage automatique calcule un modèle de substitution du système dynamique sur la base des états estimés. Le modèle de substitution peut être défini comme une combinaison hybride où une partie physique basée sur les connaissances préalables des experts est renforcée par une partie statistique estimée par un réseau neuronal. L’apprentissage du réseau neuronal se fait généralement hors ligne, une fois que l’on dispose d’un ensemble de données suffisamment important d’estimations d’état.
L’apprentissage en ligne a été étudié plus récemment. Dans ce cas, le modèle de substitution est mis à jour et potentiellement amélioré chaque fois qu’une nouvelle estimation de l’état du système est calculée.
Bien que les approches en ligne nécessitent toujours un grand ensemble de données pour obtenir de bonnes performances, elles s’adaptent naturellement au cadre séquentiel des prévisions numériques dans le domaine des géosciences, où de nouvelles observations sont disponibles au fil du temps.
Pour aller encore plus loin, nous proposons de fusionner les étapes DA et ML. Pour ce faire, nous estimons simultanément l’état du système et les paramètres du modèle de substitution. Cette nouvelle méthode peut être considérée comme une nouvelle variante du 4D-Var à contrainte faible, et elle a été illustrée en utilisant des modèles d’ordre inférieur de plus en plus complexes. Dans cette présentation, nous montrons comment appliquer cette méthode au système de prévision intégré utilisé pour la prévision météorologique numérique opérationnelle au CEPMMT et nous illustrons les améliorations qui en résultent en évaluant la précision des prévisions.