Réseaux de neurones et prévision des températures

Authors

  • André Dauphiné Université Côte d’Azur, Nice, France

Keywords:

apprentissage automatique, réseau de neurones récurrents, températures mensuelles et par semaine

Abstract

[FR] Les climatologues établissent des prédictions à l’aide de modèles statistiques et par simulation de modèles physiques numériques. Cet article propose d’explorer l’efficacité d’un modèle d’intelligence artificielle pour prévoir des températures moyennes. Ce modèle, un réseau de neurones récurrents est appliqué à des séries temporelles de températures de la station de Nice (France) et de Cluj-Napoca (Roumanie).

[EN] Climatologists make predictions using statistical models and by simulating numerical physical models. This article explores the effectiveness of a machine learning model. This model, a recurrent neural network, is applied to temperature time series from the Nice station (France) and the Cluj-Napoca station (Romania).

DOI : http://dx.doi.org/10.47743/lsgdc.v53i1.03

References

Chylek, P., Klett, J., D., Lesins, G., Dubey, M. K. &Hengartner, N. (2014). The Atlantic Multidecadal Oscillation as a dominant factor of oceanic influence on climate. Geophysical Research Letters, 41, 1689–1697. https://doi.org/10.1002/2014GL059274

Dauphiné, A. (2025). Une valse à mille temps, le réchauffement du climat. Paris : Les Impliqués.

Dauphiné, A. (2025). Intelligence artificielle et géographie, avec le langage Wolfram Mathematica. Éditions Universitaires Européennes.

Emanuel, K. (2019) The relevance of Theory for Contemporary Research in Atmospheres, Ocean and Climate, AGU Advances.

Gentleman, A. & Rood R. B. (2016), Demystifying Climate Models. Berlin : Springer Open.

IPCC (1990, 1995, 2001, 2007, 2013, 2021).Climate Change : The Physical Science Basis.

Le Treut, H. (2003). Les scénarios globaux de changement climatique et leurs incertitudes, CR de l’Académie des sciences.

Laguës, M. & Lesne, A. (2008). Invariances d’échelle. Paris : Belin.

Lovejoy, Sh. (2019). Weather, Macroweather and the Climat : Our random yet predictable Atmosphere. Oxford : Oxford University Press.

Lovejoy, Sh. (2022). The Future of Climate Modelling : Weather Details, Macroweather stochastics or both?, Meteorology 2022, 1(4), 414-449. https://doi.org/10.3390/meteorology1040027

McGuffie, K. & Henderson-Sellers, A. (2014). Climate Models Primer. Chichester : Wiley.

Nichol, J. J. (2021). Machine learning feature analysis illuminates disparity between E3SM climate model and observed climate change, Journal of Computational and Applied Mathematics, 395, 2021, 113451. https://doi.org/10.1016/j.cam.2021.113451

Poitou, J., Braconnot, P. & Masson-Delmotte V. (2014). Le climat : La terre et les hommes.Les Ulis, Edp sciences.

Privalesky, V. (2021). Time Series Analysis in Climatology and Related Sciences. Berlin : Springer.

Qasmi, S. (2018). Sensibilité du climat européen à la variabilité multidécennale de l’Atlantique Nord [Thèse]. Centre Européen de Recherche et de Formation Avancée en Calcul Scientifique, Université de Tolouse.

Webber, Ch. L., & Marwan, N. (2015). Recurrence Quantification Analysis. London: Springer.

Wei, W. W. S. (2005). Time Series Analysis: Univariate and Multivariate Methods. London: Pearson.

Downloads

Published

2025-06-29

Issue

Section

Articles