Le modèle de prévision météorologique d’Alibaba DAMO Academy repose sur une IA de pointe, offre une précision inégalée et montre une transformation radicale des capacités de prédiction du climat. Le modèle de machine learning, appelé “Baguan” en référence au concept chinois d’observer sous différents angles, se distingue par sa résolution spatiale élevée, fournissant des prévisions météorologiques détaillées pouvant aller d’une heure à dix jours à l’avance. Une aubaine pour mieux prévoir les productions d’énergies renouvelables !
Le centre de recherche et développement du groupe Alibaba appelé Alibaba DAMO Academy vient de réaliser le lancement officiel de “Baguan”, un modèle de prévision météorologique qui utilise une IA de pointe pour révolutionner les capacités de prédiction météorologique. Nommé d’après le concept chinois d’observer sous différents angles pour une approche holistique, le nouveau modèle Baguan, lancé par le centre de recherche et développement du groupe Alibaba, offre une précision sans précédent pour les prévisions météorologiques, allant d’une heure à dix jours à l’avance.
Baguan un outil essentiel en prévision de la charge électrique, en prévision des énergies renouvelables
Ce modèle de machine learning se distingue par sa résolution spatiale élevée, fournissant des prévisions météorologiques détaillées sur une grille de 1×1 kilomètre, mise à jour toutes les heures. Ces capacités font de Baguan un outil essentiel pour des applications en science du climat, en prévision de la charge électrique, en prévision des énergies renouvelables et en prévention des catastrophes naturelles. Le pilier technique de Baguan repose sur l’utilisation innovante des encodeurs automatiques masqués siamois (SiamMAE) et sur une méthodologie de pré-formation robuste. Ces innovations permettent au modèle de révéler des schémas complexes tirés de données atmosphériques dynamiques. De plus, grâce à une approche de pré-formation autorégressive, Baguan est capable de faire des prévisions précises sur différentes échelles spatio-temporelles, d’une heure à dix jours à l’avance. Baguan utilise ERA5, l’analyse de réanalyse atmosphérique du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) couvrant les conditions météorologiques mondiales de 1979 à nos jours, pour construire le modèle de base de prévision météorologique. Baguan est ensuite affiné avec des indicateurs météorologiques régionaux clés, tels que la température, l’irradiation et la vitesse du vent. Cette approche de modélisation globale-régionale augmente non seulement la précision de Baguan jusqu’au niveau régional, mais adapte également ses analyses aux conditions locales spécifiques.
Un modèle de prévision météorologique régional de haute précision.
Face à la demande mondiale croissante en énergie renouvelable, les prévisions météorologiques précises de Baguan sont devenues d’une importance vitale. Le modèle améliore considérablement la fiabilité des prévisions, facilitant une gestion plus stable de l’énergie et soutenant l’expansion de la consommation d’énergie verte. “Baguan représente une avancée significative dans notre engagement à exploiter la technologie pour le bien commun”, a déclaré Wotao Yin, directeur du laboratoire d’intelligence décisionnelle d’Alibaba DAMO Academy. “Sa technologie sophistiquée contribue non seulement à faire progresser la science du climat, mais aussi à promouvoir des pratiques durables dans des secteurs divers comme les énergies renouvelables et l’agriculture.”
La capacité du nouveau modèle Baguan en matière de prévisions météorologiques est déjà utilisée dans les secteurs de l’énergie et de l’électricité en Chine, soutenant des applications critiques telles que la prévision de la charge électrique et la prévision des énergies renouvelables. Par exemple, lors d’une baisse inattendue de température dans la province du Shandong en août 2024, Baguan a prédit avec précision une baisse correspondante de 20 % de la demande en électricité un jour à l’avance, atteignant un taux de précision de 98,1 % pour la prévision de la charge à un jour. Cela a permis aux opérateurs locaux de réseaux de mieux optimiser la répartition de l’énergie, améliorant ainsi l’efficacité et réduisant les coûts opérationnels. “Nous avons des années d’expérience en recherche dans la modélisation mathématique, la prévision de séries temporelles et l’IA explicable, ce qui nous aide à construire un modèle de prévision météorologique régional de haute précision. Nous continuerons à améliorer les performances pour des indicateurs météorologiques clés tels que la couverture nuageuse, les vitesses de vent extrêmes et les précipitations, à développer de nouvelles technologies pour l’analyse de différents scénarios climatiques ”, a conclu Wotao Yin.
