Knowledge-Guided Machine Learning: Illustrating the use of Explainable Boosting Machines to Identify Overshooting Tops in Satellite Imagery

Cet article présente l'application des Machines à Boosting Explicables (EBM) dans le domaine météorologique pour détecter les sommets pénétrants dans les images satellites, en combinant l'extraction de caractéristiques scalaires guidée par l'expertise humaine et l'interprétabilité du modèle afin de créer un algorithme transparent et collaboratif, même si sa précision reste inférieure à celle des approches plus complexes.

L'essentiel

🌩️ Le Problème : Les Météorologues et la Boîte Noire

Imaginez que vous essayez de prédire la météo avec un assistant très intelligent, mais qui refuse de vous expliquer pourquoi il prend ses décisions. C'est un peu comme avoir un oracle magique qui vous dit : "Il va pleuvoir !" sans jamais vous dire s'il a vu des nuages, senti l'humidité ou écouté les oiseaux.

Dans le monde de la météorologie moderne, on utilise de plus en plus l'intelligence artificielle (IA) pour analyser les images satellites. Ces IA sont super rapides et souvent très précises. Mais elles ont un gros défaut : elles sont des "boîtes noires". On ne sait pas comment elles fonctionnent. Si elles se trompent, c'est souvent de manière catastrophique et imprévisible. Par exemple, une IA pourrait apprendre à repérer les orages en regardant l'étiquette d'une photo plutôt que les nuages eux-mêmes !

C'est dangereux quand il s'agit de prévoir des tempêtes violentes qui peuvent mettre des vies en danger. Les météorologues ont besoin de confiance, pas juste de résultats.

🛠️ La Solution : Un "Moteur" Réparable (EBM)

Les auteurs de cet article proposent d'utiliser une nouvelle sorte d'IA appelée Machine à Boosting Explicable (EBM).

Imaginez la différence entre deux voitures :

1. La voiture classique (IA noire) : C'est une Ferrari de course. Elle va très vite, mais si le moteur tombe en panne, personne ne sait comment le réparer car tout est scellé et caché.
2. La voiture de l'EBM : C'est une voiture de ville avec un capot transparent et un manuel d'utilisation. Vous pouvez voir chaque pièce, comprendre comment elle fonctionne, et si une pièce ne va pas, vous pouvez la réparer à la main sans avoir à changer tout le moteur.

L'objectif de l'article n'est pas de créer la voiture la plus rapide du monde, mais de créer une voiture que les humains peuvent comprendre et corriger.

🎯 La Mission : Repérer les "Dômes" dans les Nuages

Pour tester cette idée, les chercheurs ont choisi un défi précis : repérer les Overshooting Tops (OT) sur les images satellites.

• L'analogie : Imaginez un gâteau au four. Parfois, la pâte monte tellement fort qu'elle dépasse le bord du moule et forme une petite bosse. Dans les orages, c'est pareil : l'air chaud monte si vite qu'il perce le plafond du nuage et forme un "dôme" qui dépasse.
• Pourquoi c'est important ? Ces dômes sont le signe d'orages très violents (grêle, tornades). Les repérer rapidement permet d'alerter la population.

🧩 Comment ils ont fait ? (L'Ingénierie de la Connaissance)

Au lieu de donner à l'IA des milliers de photos brutes et de lui dire "apprends tout", les chercheurs ont utilisé une approche appelée "Apprentissage Guidé par la Connaissance".

Ils ont agi comme des chefs cuisiniers qui préparent les ingrédients avant de les donner au robot :

1. Ils ont extrait des indices simples : Au lieu de donner l'image entière, ils ont calculé trois chiffres clés pour chaque zone du ciel :
   • La luminosité : Est-ce que le nuage est brillant ? (Comme un dôme de nuage qui reflète le soleil).
   • La texture : Est-ce que le nuage est lisse comme une couette ou "boursouflé" comme un gâteau qui a trop monté ?
   • La température : Est-ce que le sommet du nuage est très froid ? (Plus il est haut, plus il fait froid).
2. Ils ont entraîné l'IA : L'IA a appris à combiner ces trois chiffres pour dire "Oui, c'est un dôme" ou "Non, ce n'est pas un dôme".

🔧 La Magie : Corriger l'IA avec les Humains

C'est ici que la méthode devient géniale. Une fois l'IA entraînée, les chercheurs l'ont regardée travailler. Ils ont vu qu'elle faisait une petite erreur : elle pensait parfois que les ombres sur les nuages étaient des dômes.

Au lieu de réentraîner l'IA pendant des heures (ce qui est long et incertain), ils ont simplement modifié une règle dans le cerveau de l'IA : "Si c'est sombre, ne compte pas ça comme un dôme, sauf si c'est aussi très froid."

C'est comme si vous disiez à un élève : "Tu as bien compris la leçon, mais pour la question 3, tu as oublié cette petite exception. Corrige juste ta réponse." Pas besoin de refaire toute l'école !

📊 Les Résultats : Pas Parfait, Mais Compréhensible

L'IA révisée n'est pas aussi précise que les super-ordinateurs complexes (les "Ferraris"). Elle rate parfois quelques dômes ou en voit là où il n'y en a pas. Mais, les météorologues savent exactement pourquoi elle fait ces erreurs.

• Avantage : On peut voir ses stratégies. On sait qu'elle regarde la texture et la température.
• Avantage : On peut la corriger manuellement pour qu'elle corresponde mieux à la logique humaine.
• Avantage : On évite les erreurs bizarres où l'IA se trompe parce qu'elle a appris un "truc" inutile (comme regarder l'heure de la photo au lieu du nuage).

💡 En Résumé

Cet article nous dit : "Ne cherchez pas seulement la puissance, cherchez la compréhension."

En météorologie, il vaut mieux avoir un assistant qui est un peu moins rapide mais qui vous explique ses choix et que vous pouvez corriger, plutôt qu'un génie silencieux qui pourrait vous envoyer une fausse alerte sans que vous puissiez comprendre pourquoi.

Les chercheurs espèrent que cette méthode (l'EBM) deviendra un outil standard pour aider les humains à travailler avec les machines, et non plus juste à les subir, pour sauver des vies lors des tempêtes.

Résumé technique

Titre : Apprentissage Automatique Guidé par les Connaissances : Illustration de l'utilisation des Machines de Boosting Explicables (EBM) pour l'Identification des Sommets Pénétrants dans les Images Satellitaires

1. Problématique

Les algorithmes d'apprentissage automatique (ML), en particulier les modèles profonds (Deep Learning), sont de plus en plus utilisés en météorologie pour leur rapidité et leur précision. Cependant, ils présentent des risques majeurs :

• Manque de transparence : Leur nature de "boîte noire" rend difficile la compréhension de leurs stratégies de décision.
• Problèmes de généralisation : Ils ont tendance à échouer de manière catastrophique lorsqu'ils sont confrontés à des données hors de leur distribution d'entraînement (événements extrêmes ou atypiques).
• Stratégies erronées (Clever Hans) : Les modèles peuvent apprendre des corrélations spurious (fausses corrélations) présentes dans les données d'entraînement mais non représentatives de la réalité physique, menant à des faux positifs ou des faux négatifs.

Dans des applications à haut risque comme la prévision de phénomènes météorologiques violents, il est crucial d'éviter ces défaillances. L'objectif de cet article est d'illustrer l'utilisation des Machines de Boosting Explicables (EBM - Explainable Boosting Machines) pour développer un algorithme de ML interprétable et guidé par les connaissances humaines, appliqué à la détection des sommets pénétrants (Overshooting Tops - OTs) dans les images satellitaires.

2. Méthodologie

L'approche proposée combine l'IA interprétable et l'apprentissage automatique guidé par les connaissances (KGML - Knowledge-Guided Machine Learning) en trois étapes principales :

A. Ingénierie des Caractéristiques (Feature Engineering)
Les EBM nécessitent des entrées scalaires. Les auteurs ont donc extrait trois caractéristiques scalaires informatives à partir d'images satellitaires GOES-16 (canaux visible et infrarouge) :

1. Luminosité (Brightness) : Dérivée du canal visible (0,64 µm). Les données brutes sont lissées (moyenne mobile 9x9) et normalisées pour capturer la luminosité globale des régions, réduisant le bruit textural.
2. Tuiles de contraste frais (Cool Contrast Tiles) : Utilisant des Matrices de Co-occurrence de Niveaux de Gris (GLCM), la texture est quantifiée sur des tuiles de 8x8 pixels. Le statistique de contraste est calculée, logarithmée et normalisée. Seules les tuiles correspondant à des températures infrarouges ≤ 250 K (nuages hauts) sont conservées, masquant ainsi les régions sans convection haute.
3. Infrarouge (IR) : Données brutes du canal 13 (10,3 µm) servant de proxy pour la hauteur des sommets nuageux (températures plus basses = sommets plus hauts).

B. Modèle : Machines de Boosting Explicables (EBM)
Contrairement aux réseaux de neurones, les EBM sont des modèles additifs généralisés (GAM) étendus avec des interactions binaires.

• Structure : $g(E[y]) = \beta_0 + \sum f_i(x_i) + \sum f_{ij}(x_i, x_j)$.
• Interprétabilité : Chaque fonction de caractéristique ($f_i$) est une fonction non linéaire simple (type table de recherche) qui peut être visualisée et comprise par un humain.
• Apprentissage : Le modèle apprend d'abord les effets principaux, puis détecte et classe les interactions dans les résidus.

C. Stratégie de Modification Humaine (Editing)
C'est le cœur de l'approche KGML. Une fois le modèle entraîné sur des étiquettes de convection (fournies par le système MRMS), les stratégies apprises sont visualisées. Les scientifiques du domaine peuvent ensuite modifier manuellement les fonctions de caractéristique (les scores) pour corriger les erreurs logiques sans réentraîner le modèle.

• Exemple : Si le modèle associe à tort une faible luminosité (ombre) à une absence de convection, les auteurs peuvent aplatir la fonction de réponse dans cette zone pour corriger la stratégie.

3. Contributions Clés

1. Introduction des EBM en Météorologie : C'est l'une des premières applications des EBM dans ce domaine, démontrant leur potentiel pour remplacer ou compléter les modèles "boîte noire".
2. Approche KGML Opérationnelle : Démonstration concrète d'un flux de travail où l'expertise humaine guide le modèle non pas par la conception des données, mais par la modification directe des stratégies apprises (étape de "réparation" sans réentraînement).
3. Transparence Totale : Le modèle permet d'identifier exactement pourquoi une décision est prise (via les cartes d'importance des caractéristiques et les fonctions de réponse), rendant les modes de défaillance prévisibles et corrigeables.
4. Gestion des Ombres et Textures : Le modèle a été ajusté pour comprendre que les zones sombres et froides (ombres portées par les sommets pénétrants) sont toujours associées à la convection, une nuance souvent manquée par les modèles simples.

4. Résultats

• Performance Globale : Le modèle final (modifié) a montré une amélioration significative par rapport au modèle non modifié.
  • Le Heidke Skill Score est passé de 0,119 à 0,216.
  • Le Rappel (Recall) est passé de 0,070 à 0,144.
  • La précision est restée stable (~0,49).
• Limitations des Métriques : Les auteurs notent que les métriques standard sont biaisées car les étiquettes d'entraînement (MRMS) identifient la "convection" et non spécifiquement les "sommets pénétrants". Cela entraîne un nombre élevé de faux positifs et de faux négatifs lors de l'évaluation, masquant la vraie performance sur la tâche cible.
• Études de Cas :
  • Cas 1 & 2 : Le modèle détecte correctement les OTs, y compris dans des conditions d'ombre grâce aux interactions apprises (luminosité + IR).
  • Cas 3 (Échec) : Le modèle confond parfois les OTs avec d'autres structures froides et texturées (comme les plumes de cirrus au-dessus de l'anvil - AACP). Les auteurs identifient que cette erreur est due à la limitation du cadre de modélisation (manque de caractéristiques pour distinguer la texture "bouillonnante" spécifique des OTs) et non à une stratégie erronée du modèle.

5. Signification et Conclusion

• Compromis Précision vs Interprétabilité : Bien que le modèle EBM n'atteigne pas la précision brute des modèles de Deep Learning les plus complexes, il offre un compromis acceptable en échange d'une transparence totale et d'une réduction des risques de défaillances catastrophiques imprévisibles.
• Changement de Paradigme : L'article plaide pour un changement de flux de travail : au lieu d'entraîner un modèle puis d'essayer de l'expliquer (XAI), il faut construire un modèle interprétable et le corriger activement en collaboration avec des experts humains.
• Avenir : Les auteurs suggèrent que cette méthode est applicable à d'autres tâches météorologiques (prévision d'intensité des cyclones, détection de poussières, etc.). Pour l'application spécifique des OTs, la prochaine étape nécessaire est la création d'un jeu de données étiqueté manuellement par des experts pour évaluer précisément la détection des OTs plutôt que de la convection générale.

En résumé, cet article démontre que les EBM, couplés à l'ingénierie des caractéristiques et à la modification humaine des stratégies, constituent une voie prometteuse pour développer des systèmes d'IA météorologiques fiables, transparents et collaboratifs.