Satellite MTG
Exploitation des données Meteosat Third Generation pour suivre le développement et l’évolution rapide des systèmes convectifs.
orages · grêle · précipitations intenses
L’IA qui anticipe les phénomènes météo violents.
AI4VIGIL fusionne les données satellite MTG, radar et foudre dans un modèle de deep learning pour prévoir, toutes les 10 minutes, la trajectoire et l’intensité des phénomènes à risque.
10 min
fréquence de réactualisation
3 h
horizon de prévision opérationnel
MTG · Radar · Foudre
fusion multi-sources
France / Europe
socle de données européennes
Veille active
10 minactualisation
0–3 hPrévision
MTG + Radar+Foudrefusion IA
le concept
Passer de l’observation météo à la vigilance prédictive.
Le réseau de neurones ne vient pas habiller une prévision déjà produite : il apprend directement les signatures d’évolution rapide des cellules convectives à partir de flux d’observation complémentaires.
AI4VIGIL
Une chaîne courte, lisible et opérationnelle : données météo temps réel, fusion par deep learning, puis production d’une vigilance spatialisée à horizon immédiat.
Détecter plus tôt les signaux d’intensification
Localiser les zones où le risque bascule
Réactualiser la prévision au rythme des observations
technologie
Trois flux de données, fusionnés en temps réel.
Les observations satellite, radar et foudre sont assimilées par un modèle de deep learning entraîné sur des épisodes de précipitations intenses, d’orages et de grêle.
Radar météorologique
Analyse de la réflectivité, de l’organisation des cellules et des signatures associées aux précipitations intenses.
Foudre
Suivi de l’activité électrique comme indicateur d’intensification, de maturité et de sévérité orageuse.
satellite + radar + foudre → réseau de neurones → vigilance immédiate 0–3 h
Précipitations
Prévision des zones de pluie et des intensités, y compris hors contexte strictement orageux.
Orages violents
Anticipation des cellules à fort potentiel, de leur trajectoire et de leur évolution.
Grêle
Détection des signatures favorables aux épisodes grêligènes et suivi de leur déplacement.
cycle de prévision
Un cycle court, pensé pour l’aide à la décision.
Chaque cycle transforme des données d’observation récentes en prévision exploitable à très court terme.
T=0
Données d’entrée
Acquisition des flux satellite, radar et foudre sur la zone surveillée.
T + 5
Fusion IA
Assimilation et traitement des signatures par le modèle de deep learning.
T + 10
Prévision publiée
Production d’une sortie quantitative et spatialisée sur les phénomènes suivis.
0–3 h
Prévision
Suivi continu de la trajectoire, de l’intensité et du risque associé sur 3 heures.
réalisation
Une rencontre entre expertise météo et deep learning.
Yann Amice
Météorologue océanographe
33 années d'expérience en météorologie opérationnelle, expertise des phénomènes dangereux, de la prévision à courte échéance et de l'aide à la décision.
Adrien Bufort
Deep Learning & IA
Spécialiste en modélisation par deep learning, conception, entraînement et optimisation de modèles appliqués aux données météorologiques multi-sources.
Anticiper les phénomènes violents avant l’impact.
AI4VIGIL vise une vigilance météo plus rapide, plus spatialisée et plus proche du rythme réel des observations.