Génération stochastique de précipitations par IA générative

Un générateur stochastique de précipitations (Stochastic Rainfall Generator – SRG) est un modèle probabiliste visant à simuler des données de pluie synthétiques qui ont la même signature statistique que les observations. Ceci implique une phase d’apprentissage statistique de la densité de probabilité (pdf) de la pluie à partir d’observations, puis une phase d’échantillonnage de cette pdf pour générer des champs de pluie synthétiques. Différents modèles statistiques ont été utilisés par le passé pour la génération stochastique de précipitations afin de simuler différentes propriétés de la pluie : des champs aléatoires pour modéliser les dépendances spatio-temporelles, des fractales pour préserver les liens entre échelles, ou des processus ponctuels pour prendre en compte les agrégats au sein de champs de pluie.

Récemment, l’IA générative a été appliquée avec succès à la simulation de la pluie au travers de modèles génératifs profonds de précipitation (Deep Generative Models of Rainfall – DGMR) qui ont donné des résultats très prometteurs dans les domaines de la prévision à court terme à partir d’images radar (nowcasting) et de la désagrégation d’images satellite (downscaling). La principale différence entre les DGMR et les SRG traditionnels est que les DGMR remplacent le modèle statistique paramétrique des SRG par un réseau de neurones profonds. Cette innovation ouvre la voie à la simulation de champs de pluie plus complexes avec des patterns spatio-temporels potentiellement plus réalistes.

Dans ce projet nous allons explorer la capacité de l’IA générative à simuler différents types de précipitations observés en climat tempéré (pluie stratiforme au passage d’un front chaud, giboulées, orages, etc). Pour cela, nous allons développer un réseau de neurones profond dédié à la génération stochastique de champs de pluie spatio-temporels haute résolution, ainsi qu’une stratégie pour entraîner ce réseau à partir d’images radar météo. Ce générateur aura une architecture entièrement convolutionelle ce qui permettra d’étendre facilement la fenêtre spatio-temporelle lors de la simulation. Le réseau de neurones sera entraîné par apprentissage antagoniste.

Une fois le DGMR obtenu, nous comparerons ses résultats à ceux d’un SRG basé sur un modèle paramétrique. Nous évaluerons le réalisme des pluie simulées, la capacité de chaque modèle à reproduire la signature statistique des observations, ainsi que leur aptitude à simuler des ensembles probabilistes reflétant la variabilité naturelle des pluies observées en climat tempéré. Après évaluation, le simulateur de pluie par IA générative pourra être utilisé pour le downscaling stochastique de projections climatiques, et pour mener des études sur l’impact sur l’hydrosphère du changement de la structure de la pluie sous changement climatique.