• Recherche théorique : NON
• Recherche appliquée : OUI
• Développement algo : OUI
• Expérimentation : NON
• Analyse de données : OUI
• Instrumentation : utilisation de données instrumentales

Sujet : la prévision immédiate (ou à court terme, de 30 min à 2 heures) des précipitations (rain nowcasting) est cruciale dans de multiples secteurs de nos sociétés. Cela est particulièrement vrai dans les domaines de la circulation autoroutière, les systèmes d'alerte précoce contre les inondations subites (flash flood), mais aussi les services d'urgence, la gestion de l'énergie, le contrôle du trafic aérien, etc. Les précipitations très fortes sont à même de provoquer les dégâts les plus importants d’un point de vue socio-économique.

Les systèmes de prévisions immédiates se doivent donc de fournir des informations pertinentes avec des marges d’erreur acceptables même en présence d’épisodes extrêmes. Ces situations, par définition rares, sont difficiles à modéliser et à prévoir. Elles nécessitent donc des outils de prévision performants.

Les approches pour traiter la prévision immédiate des précipitations sont abondantes et variées [Prudden et al. 2020]. Elles se basent majoritairement sur des observations radars qui permettent d’identifier et d’assurer le suivi des structures de pluie. Actuellement, les services météorologiques et hydrologiques effectuent cette tâche à l’aide d’algorithmes « traditionnels », issus de la communauté de la prévision immédiate des précipitations. Bien qu’adaptés pour l’observation des cellules pluvieuses, les radars météorologiques fournissent des images qui restent parfois difficiles à interpréter. La présence d’échos fixes, d’anomalies de propagation, d’oiseaux, d’insectes, etc peuvent rendre l’identification et le suivi des structures de pluie difficiles.

C’est dans ce contexte que les méthodes d’apprentissage statistique peuvent être mises à profit. Les progrès colossaux en traitement d’images, issus de l’intelligence artificielle, sont couramment utilisés pour l’identification d’objets, la détection d’anomalie, l’« inpainting », etc. Ces méthodes ont également fait leur apparition dans le domaine de la météorologie. Elles permettent de développer de nouveaux modèles, basés sur l’apprentissage de volume important de données disponibles [Shi et al., 2017][Ma et al., 2022][Che et al., 2022]. Récemment, une approche du type Réseaux Antagonistes Génératifs (Generative Adversarial Network) [Ravuri et al., 2021] à outrepasser les performances de modèles plus classique [Pulkkinen et al., 2019] [Agrawal et al., 2019], pour des prévisions allant au-delà de l’heure.

L’objectif du stage sera de développer un modèle de suivi et d’évolution des cellules pluvieuses à partir d’observations radars. Plusieurs approches seront envisagées comme par exemple une approche par réseau de type TrajGRU [Shi et al., 2017] ou à l’aide de réseaux basés sur des mécanismes d’attention [Che et al., 2022] ou l’aide d’une approche par réseaux GAN [Ravuri et al., 2021]. Le candidat commencera par une étude bibliographique qui lui permettra de se familiariser avec les différents approches mises en oeuvre pour la prévision immédiate des précipitations.

Le coeur du stage consistera à choisir, adapter et entrainer un modèle en s’appuyant sur l’environnement Pytorch. Il conviendra également de réfléchir aux métriques qui permettront d’évaluer les performances du modèle et permettre des comparaisons avec les modèles standards. En fonction du temps, le stagiaire pourra travailler sur l’amélioration du modèle grâce à l’ajout d’observations auxiliaires en entrée de celui-ci permettant ainsi de prendre en compte un contexte local (topographie, type d’habitat, saison….).

Environnement : le/la stagiaire sera intégré(e) au sein de l'équipe SPACE (Statistiques, Processus, Atmosphère et Cycle de l'Eau) qui est composée de chercheurs ayant une forte expérience dans le domaine de la modélisation et l'observation des précipitations mais également en modélisation statistique et machine learning appliqué à l'environnement. Le ou la stagiaire aura accès au cluster GPU de l’IPSL pour l’apprentissage des modèles et travaillera en collaboration avec un doctorant. Des interactions seront également planifiées avec la société NOVIMET/BOWEN spécialisée en hydrométéorologie

Gratification de stage : 600€/mois environ + indemnité pass Navigo.

[Agrawal et al., 2019] Agrawal S., Luke Barrington, Carla Bromberg, John Burge, Cenk Gazen, Jason Hickey : Machine Learning for Precipitation Nowcasting from Radar Images, 2019

[Che et al., 2022] Che, H., Niu, D., Zang, Z., Cao, Y., & Chen, X. (2022). ED-DRAP: Encoder–Decoder Deep Residual Attention Prediction Network for Radar Echoes. IEEE Geoscience and Remote Sensing Letters, 19, 1-5

[Lepetit et al., 2022] Lepetit P., L. Barthès, C. Mallet, C. Ly, N. Viltard, Y. Lemaître, 2022: Using Deep Leaning for Restoration of Precipitation Echoes in Radar Data, IEEE Transac. Gesosci. And R. Sensing, 60, pp.5100914

[Ma et al., 2022] Ma, Z., Zhang, H., & Liu, J. (2022). MS-RNN: A Flexible Multi-Scale Framework for Spatiotemporal Predictive Learning

[Pulkkinen et al., 2019] S. Pulkkinen, D., Nerini A., A. Pérez Hortal, C. Velasco-Forero, A. Seed, U. Germann and L. Forestian : pysteps - a Community-Driven Open-Source Library for Precipitation Nowcasting

[Prudden et al. 2020] Prudden, R., Adams, S., Kangin, D., Robinson, N., Ravuri, S., Mohamed, S., & Arribas, A. (2020). A review of radar-based nowcasting of precipitation and applicable machine learning techniques

[Ravuri et al., 2021] Ravuri, S., Lenc, K., Willson, M. et al. Skilful precipitation nowcasting using deep generative models of radar. Nature 597, 672–677

[Shi et al., 2017] SHI, Xingjian, GAO, Zhihan, LAUSEN, Leonard, et al. Deep learning for precipitation nowcasting: A benchmark and a new model. Advances in neural information processing systems, 2017, vol. 30

[Viltard et al. 2020] Viltard N., Lepetit P., Mallet C., Barthès L., Martini A. 2020: Retrieving Rain Rates from Space Borne Microwave Sensors Using U-Nets. Climate Informatics 2020. 10th International Conference, Sep 2020, Oxford, United Kingdom - insu-02894942