L'initiative Alertes précoces pour tous a pour objectif d'assurer la protection de tous les habitants de la planète contre les phénomènes météorologiques, aquatiques ou climatiques dangereux. L'OMM s'engage à tirer parti des nouvelles technologies, notamment de l'intelligence artificielle (IA), pour améliorer les observations et les prévisions du système Terre.
Compte tenu des progrès significatifs et rapides dans la recherche et les applications de l'IA au sein de la communauté météorologique, même dans le contexte opérationnel, les technologies de l'IA ont un grand potentiel pour améliorer les capacités des Membres de l'OMM en matière d'observation et de prévision du système Terre dans un avenir proche.
Lors de cet événement parallèle d'INFCOM-3, les derniers progrès dans l'utilisation des technologies d'IA ont été présentés, en mettant l'accent sur les prévisions basées sur les données, la prévision immédiate par satellite et le post-traitement des produits.
M. David Richardson (ECMWF) a présenté un aperçu des progrès récents dans la prévision météorologique basée sur les données, illustrant la rapidité avec laquelle ce domaine progresse. Il a également souligné les domaines dans lesquels des développements supplémentaires sont encore nécessaires, tels que la compréhension des événements extrêmes et la représentation de l'incertitude des prévisions.
Le Dr David John Gagné (NCAR, États-Unis) a présenté un nouveau projet pilote sur la prévision immédiate par satellite basée sur l'IA pour montrer l'avantage de l'utilisation de l'IA pour dériver de nouveaux champs de prévision immédiate à partir de la grande quantité d'informations contenues dans les données satellite. Les produits de prévision immédiate basés sur l'IA permettront aux participants de la RAI, de la RAII et de la RAIII d'améliorer leur service d'alerte précoce dans ce projet pilote.
Le Dr Kan Dai et le Dr Bo Lu (tous deux de CMA, Chine) ont présenté les derniers développements d'applications de post-traitement basées sur l'IA dans leur pays. Des scénarios typiques de post-traitement de prévision numérique du temps, notamment la correction des biais du modèle, la réduction d'échelle des prévisions, la fusion multi-données/modèles, les avertissements de conditions météorologiques dangereuses et les modèles d'IA basés sur les données, ont été présentés.