Worldwide Weather Forecasting by Deep Learning

La prévision météorologique a été et demeure une tâche ardue ayant été approchée sous plusieurs angles au fil des années. Puisque les modèles proéminents récents sont souvent des modèles d'appentissage machine, l'importance de la disponibilité, de la quantité et de la qualité des données météorologiques augmente. De plus, la revue des proéminents modèles d'apprentissage profond appliqués à la prédiction de séries chronologiques météorologiques suggère que leur principale limite est la formulation et la structure des données qui leur sont fournies en entrée, ce qui restreint la portée et la complexité des problèmes qu'ils tentent de résoudre. À cet effet, cette recherche fournit une solution, l'algorithme d'interpolation géospatiale SkNNI (interpolation des k plus proches voisins sphérique), pour transformer et structurer les données géospatiales disparates de manière à les rendre utiles pour entraîner des modèles prédictifs. SkNNI se démarque des algorithmes d'interpolation géospatiale communs, principalement de par sa forte robustesse aux données d'observation bruitées ainsi que sa considération accrue des voisinages d'interpolation. De surcroît, à travers la conception, l'entraînement et l'évaluation de l'architecture de réseau de neurones profond DeltaNet, cette recherche démontre la faisabilité et le potentiel de la prédiction météorologique multidimensionnelle mondiale par apprentissage profond. Cette approche fait usage de SkNNI pour prétraiter les données météorologiques en les transformant en cartes géospatiales à multiples canaux météorologiques qui sont organisées et utilisées en tant qu'éléments de séries chronologiques. Ce faisant, le recours à de telles cartes géospatiales ouvre de nouveaux horizons quant à la définition et à la résolution de problèmes de prévisions géospatiales (p. ex. météorologiques) plus complexes.