Détection de la grêle par apprentissage profond appliqué aux observations radar polarimétriques

Auteur moral

Université Toulouse 3 Paul Sabatier : UT3

Auteur moral

Caumont, Olivier ; Augros, Clotilde ; Dedieu, Kevin

Année de publication

2024

La grêle est un phénomène météorologique causant des dommages importants aux cultures et aux infrastructures. La France est exposée à des pertes importantes dues aux orages de grêle. Entre Janvier et Juin 2022, les dégâts totaux causés par la grêle ont été estimés à 5,2 milliards d'euros (France Assureurs). Les techniques actuelles de détection et d'estimation de la taille des grêlons sont basées sur les données des radars météorologiques. Elles présentent de nombreuses difficultés à détecter et à estimer la taille des grêlons au sol avec précision. Les techniques actuelles de détection de la grêle existante ne prennent pas en compte les informations contenues dans la morphologie de l'orage. L'objectif de cette thèse, financée par Descartes Underwriting, une compagnie d'assurance paramétrique basée à Paris, et Météo-France, est de développer une nouvelle technique de détection de la grêle plus précise en France. La méthodologie utilise des réseaux de neurones convolutionnels (CNN) pour analyser la morphologie des orages et considérer le problème de la détection et de l'estimation de la taille des grêlons comme un problème de reconnaissance d'images. Dans notre première contribution, les CNN sont appliqués à des images radar afin de détecter la grêle sévère au sol (sup. à 2 cm). Un seul pas de temps est utilisé pour effectuer une prédiction. La construction d'un ensemble de données de haute qualité et le développement d'un plan expérimental rigoureux ont permis de montrer que les CNN sont plus performants que les techniques existantes. En outre, il a été constaté que les architectures de CNN peu profondes sont plus efficaces que les CNN complexes, et que les variables radar les plus importantes pour cette détection sont principalement basées sur la réflectivité. Il a été démontré que l'incorporation d'indicateurs de grêle existants en entrée des CNN permettait d'améliorer ses performances. Une partie essentielle de la première contribution montrer que la majorité des méthodes de détection de la grêle existantes peuvent atteindre des niveaux de performance comparables lorsqu'elles sont correctement ajustées. Un exemple d'inférence à l'aide d'un algorithme de suivi des cellules a démontré que les CNN peu profonds appliqués aux orages permettent des prédictions rapides et cohérentes, bien qu'une validation plus poussée soit nécessaire. La deuxième contribution de la thèse concerne l'application de CNN à l'estimation de la taille des grêlons au sol. Le problème est abordé comme un problème multi-classes, les grêlons étant classés comme moyens (20-35 mm), grands (35-50 mm) ou géants (sup. à 50 mm). Un nouvel ensemble de données radar est construit à partir d'images radar autour des barycentres des cellules oragauses détectées par un algorithme de suivi des cellules. Chaque échantillon radar englobe six images différentes du cycle de vie de la cellule, pour une durée totale de 25 minutes. Ces nouvelles informations temporelles sont intégrées dans l'apprentissage des CNN. Une analyse statistique a révélé que la valeur maximale de l'echo top à 45dBZ et la hauteur de la colonne de ZDR augmentent avec la taille de la grêle au sol. L'analyse statistique suggère également que les cellules orageuses de grande taille, telles que les supercellules, produisent souvent les grêlons plus plus grands. Une phase de réglage a montré que les CNN peu profonds entraînés avec des pas de temps antérieurs de la chute de grêle étaient les plus robustes, par rapport à l'utilisation d'un seul pas de temps. Les résultats d'une étude d'importance ont montré que l'écho top était la variable la plus importante pour l'estimation de la taille des grêlons, suivie de près par les variables radar polarimétriques au-dessous du niveau de gel. Enfin, une comparaison avec les algorithmes existants a montré que les CNN peuvent être meilleurs pour estimer de taille de grêle, avec des conclusions mitigées étant donné la taille limitée des données de test.</div>

  Accès à la notice sur le site du portail documentaire de Météo-France

  Liste complète des notices publiques