Does Feature Engineering Improve Meteorological Predictions Across Asia?

L'air au-dessus de nous n'est jamais immobile. Il se déplace, tourbillonne et réagit dans une danse chaotique de chaleur, d'humidité et de pression qui détermine si la récolte d'un agriculteur survit ou si une ville se prépare à une tempête. Pendant des décennies, les scientifiques ont tenté de prédire ces mouvements en utilisant des modèles informatiques massifs qui simulent la physique de l'atmosphère. Bien que puissantes, ces simulations sont incroyablement coûteuses à exécuter et peinent parfois face à la pure complexité de la météo locale. Ces dernières années, une approche différente a gagné du terrain : l'utilisation de l'apprentissage automatique (machine learning). Il s'agit de programmes informatiques qui apprennent des schémas à partir de vastes quantités de données météorologiques historiques pour faire des prédictions futures. Cependant, il y a un piège. Si vous donnez à un programme d'apprentissage automatique des chiffres bruts — comme la température ou la vitesse du vent enregistrées à un moment précis — il passe souvent à côté de l'image globale. Il ne parvient pas à voir que la météo d'aujourd'hui est profondément liée à celle d'hier, ou que les saisons suivent un cycle prévisible. Pour corriger cela, les scientifiques utilisent une technique appelée l'ingénierie des caractéristiques (feature engineering). C'est le processus consistant à créer manuellement de nouveaux indices pour l'ordinateur. Au lieu de lui donner simplement la température, ils pourraient aussi lui donner la température d'il y a trois jours, ou un calcul de la façon dont la température et l'humidité interagissent. L'espoir est que ces indices supplémentaires aideront l'ordinateur à mieux comprendre la météo. Mais une question persiste : ajouter plus d'indices aide-t-il toujours, ou cela peut-il parfois confondre la machine ?

Une équipe de chercheurs issus d'universités d'Iran et d'autres parties d'Asie s'est donné pour mission de répondre à cette question à grande échelle. Ils n'ont pas examiné une seule ville ou un seul type de temps ; ils ont plutôt examiné l'ensemble du continent asiatique, une région aussi diversifiée dans son climat que dans sa géographie, s'étendant du nord gelé aux tropiques étouffants. Ils ont recueilli des relevés météorologiques quotidiens de 1 634 stations météorologiques différentes, couvrant une période de vingt-quatre ans. Leur objectif était de tester quinze méthodes différentes de préparation des données pour un modèle d'apprentissage automatique. Certaines méthodes étaient simples, ajoutant juste la date ou le jour de la semaine. D'autres étaient complexes, créant de nouvelles variables en multipliant différents facteurs météorologiques ou en calculant comment la météo avait changé au cours de la dernière semaine. Ils ont testé ces méthodes contre huit variables météorologiques différentes : la température, l'humidité, la pression atmosphérique, la vitesse du vent, la couverture nuageuse, les précipitations, ainsi que les températures maximales et minimales quotidiennes. Ils ont utilisé un modèle d'apprentissage automatique standard, connu sous le nom de forêt aléatoire (random forest), pour voir quelle méthode de préparation des données produisait les prévisions les plus précises.

Les résultats ont été surprenants et ont révélé qu'il n'existe pas une seule « meilleure » façon de préparer les données météorologiques. Les chercheurs ont constaté que l'ajout de caractéristiques ingénierées améliorait la précision des prédictions dans moins de la moitié des cas testés. En fait, pour environ 42 % des combinaisons station-variable, les indices supplémentaires ont fait une différence statistiquement significative. Mais pour le reste, le travail supplémentaire était soit inutile, soit, dans certains cas, activement préjudiciable. L'étude a montré que la bonne approche dépend entièrement de ce que vous essayez de prédire et de l'endroit où vous essayez de le prédire. Par exemple, lors de la prévision de la pression atmosphérique, la méthode la plus complexe a fonctionné le mieux. En incluant tous les indices possibles, du moment de l'année aux relevés de pression des quelques jours précédents, le modèle a réduit ses erreurs de prédiction de 41 à 42 % sur l'ensemble du continent. Cela est logique car la pression atmosphérique change lentement et de manière prévisible, donc l'ordinateur bénéficie d'un historique de données plus long à étudier.

Cependant, l'histoire était très différente pour les températures extrêmes. Lorsque les chercheurs ont tenté de prédire les températures maximales ou minimales quotidiennes, l'ajout de caractéristiques complexes a souvent dégradé les performances du modèle. Dans près de la moitié des cas pour les températures minimales, l'approche la plus simple — n'utiliser que les données brutes sans aucune ingénierie supplémentaire — était la plus précise. Les chercheurs suggèrent que pour ces extrêmes spécifiques, les données de base contiennent déjà toutes les informations nécessaires, et que l'ajout de couches de complexité n'introduit que du bruit qui confond l'ordinateur. De même, pour l'humidité et la vitesse du vent, des indices temporels simples, comme connaître le mois ou le jour de la semaine, étaient généralement suffisants. Les méthodes les plus complexes offraient peu ou pas de bénéfices pour ces variables.

L'emplacement de la station météorologique importait également énormément. Les chercheurs ont découvert un schéma clair en se déplaçant des tropiques vers le nord. Dans les régions tropicales chaudes de l'Asie du Sud-Est et de l'Inde, la méthode la plus efficace pour prédire la température et la couverture nuageuse consistait à créer des caractéristiques d'interaction. Ce sont des combinaisons mathématiques qui permettent à l'ordinateur de voir comment la température et l'humidité travaillent ensemble, ce qui est crucial dans les climats où la terre et l'air interagissent de manière complexe. Mais en remontant vers le nord, dans les régions plus froides comme la Sibérie et le Kazakhstan, ces interactions complexes devenaient moins utiles. Dans ces latitudes plus hautes, des caractéristiques temporelles plus simples suffisaient. L'étude a également révélé que les précipitations étaient la variable la plus difficile à améliorer. Aucune méthode unique ne fonctionnait bien partout, et les améliorations étaient souvent faibles et éparses, reflétant la nature imprévisible de la pluie elle-même.

En fin de compte, cette recherche fournit une feuille de route claire pour quiconque utilise l'apprentissage automatique pour prévoir le temps. Elle prount que l'idée d'une solution universelle est un mythe. On ne peut pas simplement appliquer le même ensemble de trucages de données à chaque problème météorologique et espérer que cela fonctionne. La meilleure stratégie est d'être spécifique : utiliser des ensembles de données complexes et complets pour la pression ; s'appuyer sur des marqueurs temporels simples pour l'humidité et le vent ; et éviter de trop compliquer les choses lors de la prédiction des températures extrêmes. De plus, le lieu de la prévision compte autant que la variable elle-même. Ce qui fonctionne dans une forêt tropicale peut échouer dans une plaine tempérée. En comprenant ces nuances, les scientifiques peuvent construire des modèles qui ne sont pas seulement plus intelligents, mais aussi plus honnêtes sur ce que les données peuvent et ne peuvent pas dire. L'étude conclut que l'avenir de la prévision météorologique ne réside pas dans l'ajout de complexité pour la complexité, mais dans le choix minutieux des bons outils pour le bon endroit et pour la bonne tâche.