Apprentissage automatique et profond pour la prévision des précipitations

Projet de recherche du cycle ingénieur de l’École polytechnique (EA initiation à la recherche), avec Léa Bohbot et Kenta Vert, encadré par le Pr Julien Chiquet (Université Paris-Saclay, INRAE, AgroParisTech).

Nous avons adapté un réseau LSTM et un CNN à des séquences temporelles d’observations météorologiques quotidiennes pour prédire la pluie. Après une étude théorique et pratique des LSTM, nous avons comparé leurs résultats à des méthodes d’apprentissage classiques (régression logistique, forêts aléatoires, XGBoost…). Nous nous sommes ensuite intéressés à l’interprétabilité et à la simplification du modèle — en identifiant les variables les plus explicatives —, une étape importante pour garantir la fiabilité des prédictions.

Code : LSTM · CNN · Rapport : PDF