L'intelligence artificielle prédit où et quand tombera la foudre

© 2019 iStock

© 2019 iStock

Une méthode inédite développée à l’EPFL permet de prédire le moment où s’abattra la foudre à dix ou trente minutes près, dans un rayon de trente kilomètres. Le système fonctionne en combinant les données standard des stations météorologiques avec une technique d’intelligence artificielle.

La foudre est l’un des phénomènes naturels les plus imprévisibles qui soient. Régulièrement, elle est responsable de la mort d’êtres humains et d’animaux, de feux de maison ou de forêt. Elle cloue les avions au sol et cause des dégâts sur les lignes de transmission électriques, les éoliennes et les installations photovoltaïques. Pourtant, le déclenchement de la foudre est mal compris, et aucune technologie simple ne permet de prédire le moment et l’endroit où un éclair va s’abattre au sol.

A la Faculté des sciences et techniques de l’ingénieur de l’EPFL, des chercheurs de l’Electromagnetic Compatibility Laboratory, emmenés par Farhad Rachidi, ont mis au point un système simple et peu coûteux capable de prédire le moment où s’abattra la foudre à 10 ou 30 minutes près, dans un rayon de trente kilomètres. Le tout en combinant des données météorologiques standard et un système d’intelligence artificielle. La recherche a été publiée dans Climate and Atmospheric Science, journal partenaire de Nature. Les chercheurs prévoient maintenant d’utiliser leur technologie dans la cadre du projet européen Laser Lightning Rod (voir encadré).

«Les systèmes actuels sont lents et très complexes. Ils ont besoin de données externes coûteuses obtenues par radar ou satellite», explique Amirhossein Mostajabi, le doctorant à l’origine de la technique. «Notre méthode se base sur des données accessibles dans toutes les stations météorologiques. Nous pouvons ainsi couvrir des régions reculées qui échappent aux radars et satellites, et où les réseaux de communication ne sont pas disponibles.»

Autre avantage : comme les données peuvent être fournies facilement en temps réel, les prédictions peuvent être faites très rapidement, et il est possible d’émettre des alertes avant même la formation d’un orage.

Entraîner la machine avec des données disponibles

La méthode fonctionne grâce à un algorithme de machine-learning, qui a été entraîné à reconnaître les conditions menant à la création des éclairs. Pour réaliser cet entraînement, les chercheurs ont utilisé des données récoltées durant dix ans dans 12 stations météorologiques suisses, situées aussi bien en régions urbaines qu’en régions montagneuses.

Quatre paramètres ont été pris en compte : la pression atmosphérique ; la température de l’air ; humidité relative et la vitesse du vent. Ces paramètres ont été mis en corrélation avec les enregistrements émanant des systèmes de détection et de localisation de foudre. Ainsi, l’algorithme a pu apprendre à identifier les conditions favorables aux éclairs.

Une fois entraîné, le système a effectué des prédictions qui se sont révélées correctes dans près de 80% des cas. Il peut maintenant fonctionner n'importe où dans le monde.

C’est la première fois qu’un système basé sur de simples données météorologiques permet de prédire la foudre, en effectuant des calculs en temps réel. La méthode offre une façon simple de prédire un phénomène complexe.

Laser Lightning Rod
Le projet européen Laser Lightning Rod a été lancé en 2017 dans le but de développer de nouveaux systèmes de protection contre la foudre. Il s’agit notamment, dans des cas d’orage, d’envoyer un laser multi-terawatt à impulsion ultra-courte dans l’atmosphère, afin de provoquer la foudre, la guider vers un endroit précis, et décharger les zones à risque (voir vidéo).
Dans le cadre de ce projet, les chercheurs de l’EPFL vont utiliser leur méthode de prédiction basée sur le machine -learning, afin de déterminer l’instant de déclenchement de la foudre.

Références

Source : A. Mostajabi, D. L. Finney, M. Rubinstein, F. Rachidi, Nowcasting lightning occurrence from commonly-available meteorological parameters using machine learning techniques, npj Climate and Atmospheric Science, 2019.       
DOI : https://doi.org/10.1038/s41612-019-0098-0


Auteur: Laure-Anne Pessina

Source: EPFL