Nous avons commencé par analyser les consignes du défi et reformulé la tâche comme un problème de régression supervisée : prédire la vitesse de la glace à partir du vent et de variables environnementales.
Modèle d’IA pour suivre le déplacement de la glace en mer
- En vedette
- IA
Introduction
Quel était ce projet ?
Ce défi du Climate Crisis Hackathon explorait l’utilisation de l’IA pour prédire le déplacement de la glace de mer arctique à partir des vents et de données environnementales.
Mon rôle
J’ai contribué à la chaîne d’apprentissage automatique : reformulation du problème, visualisation, prétraitement, exploration des variables, entraînement, comparaison des modèles et génération des prédictions.
Détails techniques
IA : Python, Scikit-learn. Données : observations quotidiennes de la dérive de la glace de mer arctique, combinant vitesse de la glace, vent, concentration et épaisseur de la glace, position, date et distance à la côte.
Période
48 h
Liens
Problème
La glace arctique se déplace sous l’effet du vent et des courants, parfois de plusieurs kilomètres par jour.
- Le mouvement dépend de nombreux facteurs environnementaux.
- Les vitesses fiables proviennent souvent de bouées dérivantes.
- Le défi consistait à reproduire cette dérive à partir des vents et d’autres variables.
Solution
Avec une équipe multidisciplinaire, j’ai construit et comparé des modèles prédisant le déplacement de la glace.
Le modèle utilisait notamment la vitesse du vent, la concentration et l’épaisseur de la glace, la position et la distance à la côte pour prédire les composantes u et v de la dérive des bouées.
Processus
Nous avons visualisé les données et utilisé des matrices de corrélation pour analyser les relations entre le vent, la glace, la position, l’épaisseur et la dérive des bouées.
Nous avons normalisé les variables avec MinMaxScaler et testé une ACP lorsque la réduction de dimension pouvait être utile.
Une régression linéaire a fourni une première référence avec une erreur quadratique moyenne de validation proche de 25.
Nous avons entraîné et comparé les modèles KNN, Ridge, Random Forest et MLP avec une validation croisée 5-fold, puis utilisé GridSearch pour optimiser les principaux hyperparamètres.
Impact
15,9 MSE
meilleur résultat de validation, obtenu avec une Random Forest en validation croisée 5-fold.
Comparaison
la Random Forest a surpassé les autres modèles testés, suivie par KNN et MLP.
IA et climat
le projet montre comment appliquer l’apprentissage automatique à des données environnementales et à la prévision climatique.