THEME:
Modèle IA permettant de
faire des prévisions
météo sur une longue
période de temps: Cas du
Sénégal
Présenté par :
Rosalex AHAN
Willane Jaures SABOUBANGA
Plan
1 Introduction
2 Objectifs
3 Exploration des données
4 Modelisations
5 Evaluations des performances
6 Conclusion
Introduction
Bien que les prévisions météorologiques
traditionnelles reposent sur des modèles physiques
et statistiques éprouvés, l'intelligence artificielle
transforme radicalement ce domaine. Grâce à sa
capacité à traiter et analyser de vastes ensembles
de données avec une rapidité et une précision
inégalées, l'IA ouvre de nouvelles perspectives pour
des prédictions météorologiques encore plus fiables
et détaillées. Cette avancée permet de capturer des
tendances subtiles et d'améliorer la précision des
prévisions, rendant les décisions météorologiques
plus informées et efficaces.
Objectifs du projet
1 Mettre en place un 2 Mettre en place
modèle IA une plateforme
permettant de facile d'utilisation
faire des permettant à
prédictions rapides n'importe qui de
et précises faire des
prédictions de faire
des prédictions
selon les
paramètres qui
l'intéresse.
Exploration des données
Descriptions des données Analyse exploratoire
INS: Insolation en heures
RR: Cumul de pluie en mm
TT, moy. des max: Température moyenne
maximale sous abri en ° celsius T
T, moy. des min: Température moyenne
minimalesous abri en ° celsius
UMAX: Humidité maximale en %
UMIN: Humidité minimale en %
EVAPO: Evaporation en mm
Modélisation
Pourquoi les modèles LSTM ? Présentation des Hyperparamètres du
Pour faire des prévisions météorologiques précises sur Modèle LSTM
une période étendue, nous avons choisi d'utiliser les
Nos modèles LSTM ont été optimisés en utilisant plusieurs
modèles LSTM (Long Short-Term Memory). Ces modèles
hyperparamètres critiques : le nombre de couches LSTM,
neuronaux récurrents sont conçus pour traiter et prédire
la taille des cellules, le taux d'apprentissage, et la
des séquences de données en tenant compte des
régularisation via le dropout.
dépendances temporelles sur de longues périodes, ce qui
Nous avons utilisé la méthode de l’optimisation
est essentiel pour la prévision météorologique.
bayésienne pour explorer différentes configurations de
ces hyperparamètres, ce qui nous a permis d'identifier la
combinaison la plus performante pour nos données
météorologiques. Ce processus d'optimisation a
significativement amélioré la précision des prédictions en
minimisant l'erreur de validation.
Résultats de la modélisation sur le jeu de données de quelques stations sénégalaises
Les performances de nos modèles sont très satisfaisantes, avec des indicateurs tels que l'erreur moyenne quadratique
(RMSE) et le Erreur Absolue Moyen (MAE) atteignant des niveaux élevés sur nos données de test.
Evaluations des performances
Plateforme Streamlit :
Outils de Prédiction et
d'Exploration
Nous avons ainsi pu mettre en place une plateforme
Streamlit interactive qui permet aux utilisateurs
d'exploiter pleinement les capacités de nos modèles
prédictifs. Sur cette plateforme, les utilisateurs peuvent
:
• Effectuer des prédictions : Sélectionnez une
période de temps et obtenez des prévisions
météorologiques précises basées sur les modèles
• LSTM conçus.
Explorer les données historiques : Accédez à
une visualisation complète des données
climatiques passées, en explorant les tendances
et les anomalies sur une période donnée.
• Comparer les prévisions avec les données
historiques : Analysez les prévisions en les
comparant aux données historiques
correspondantes, offrant ainsi une vue
d'ensemble des évolutions climatiques et des
Conclusion
L'intégration des modèles LSTM dans la prévision
météorologique constitue une rupture majeure avec
les méthodes traditionnelles, offrant des capacités
inédites pour capturer des patterns temporels
complexes dans les données climatiques. Les
résultats obtenus pour diverses stations démontrent
l'efficacité de cette approche, avec des
performances solides malgré les défis inhérents à
l'optimisation des hyperparamètres. Cette avancée
ouvre la voie à des prévisions météorologiques non
seulement plus précises, mais aussi mieux adaptées
aux spécificités locales, contribuant ainsi à une
meilleure gestion des risques climatiques. En
poursuivant l'amélioration des modèles et en
exploitant davantage l'intelligence artificielle, nous
pouvons envisager des systèmes de prévision
encore plus robustes et réactifs face aux défis
