Vidéo: Weather Learning, outil de prévision météorologique se basant sur l'historique des données 2024
La prévision météorologique a toujours été extrêmement difficile, compte tenu du nombre de variables impliquées et des interactions complexes entre ces variables. L'augmentation spectaculaire de la capacité de rassembler et de traiter les données a grandement amélioré la capacité des prévisionnistes météorologiques à déterminer le moment et la gravité des ouragans, des inondations, des tempêtes de neige et d'autres phénomènes météorologiques.
Un exemple d'application des données volumineuses aux prévisions météorologiques est le Deep Thunder d'IBM. Contrairement à de nombreux systèmes de prévisions météorologiques qui fournissent des informations générales sur une vaste zone géographique, Deep Thunder fournit des prévisions pour des emplacements extrêmement spécifiques, comme un seul aéroport, afin que les autorités locales puissent obtenir des informations essentielles en temps réel. Voici quelques exemples d'informations que Deep Thunder peut fournir:
-
Estimations des zones où les inondations risquent d'être les plus graves
-
La force et la direction des tempêtes tropicales
-
La quantité la plus probable de neige ou de pluie tombant dans une zone spécifique > Les emplacements les plus probables des lignes électriques tombées
-
Estimations des zones où la vitesse du vent est susceptible d'être la plus grande
-
Les endroits où les ponts et les routes risquent le plus d'être endommagés
-
-
Cette information est essentielle pour la planification d'urgence. Grâce aux données massives, les autorités locales peuvent mieux anticiper les problèmes causés par les conditions météorologiques avant qu'elles ne surviennent. Par exemple, les planificateurs peuvent faire des préparatifs pour évacuer les zones basses qui risquent d'être inondées. Il est également possible de faire des plans pour améliorer les installations existantes. (Par exemple, les lignes électriques qui sont susceptibles d'être désactivées par des vents violents peuvent être améliorées.)
IBM fournit également une puissance de calcul massive à l'Administration météorologique coréenne (KMA) pour qu'elle adopte pleinement la technologie Big Data. Le KMA rassemble chaque jour plus de 1,5 téraoctets de données météorologiques, ce qui nécessite une quantité impressionnante de stockage et de puissance de traitement pour l'analyse. En utilisant les données massives, la KMA sera en mesure d'améliorer ses prévisions concernant la force et l'emplacement des tempêtes tropicales et autres systèmes météorologiques.
Un téraoctet équivaut à un billion d'octets. C'est 1, 000, 000, 000, 000 octets d'information. Vous écrivez un billion d'octets en notation scientifique comme 1. 0 x 10
12 . Pour mettre cela en perspective, vous auriez besoin d'environ 1 500 CD pour stocker un seul téraoctet. Y compris leurs boîtiers en plastique, qui s'empilerait comme une tour de 40 pieds de haut de CD. Un autre exemple d'utilisation des grandes données dans la prévision météorologique a eu lieu lors de l'ouragan Sandy en 2012 - la «tempête du siècle». «Le National Hurricane Centre a pu utiliser la technologie Big Data pour prédire l'arrivée de l'ouragan à moins de 30 milles cinq jours à l'avance. C'est une augmentation spectaculaire de la précision par rapport à ce qui était possible il y a 20 ans. En conséquence, la FEMA et d'autres organisations de gestion des catastrophes étaient bien mieux préparées à faire face au désordre qu'elles ne l'auraient été si elle avait eu lieu dans les années 1990 ou avant.
L'une des conséquences intéressantes de la collecte et du traitement de plus de données météorologiques est l'apparition de sociétés qui vendent des assurances personnalisées pour se protéger contre les intempéries. Un exemple est la Climate Corporation, qui a été créée en 2006 par deux anciens employés de Google. La Climate Corporation vend des services de prévision météorologique et une assurance spécialisée aux agriculteurs qui cherchent à couvrir le risque de dommages aux cultures. L'entreprise utilise les données volumineuses pour identifier les types de risques pertinents pour une zone spécifique, en se basant sur des quantités massives de données sur l'humidité, le type de sol, les rendements des cultures antérieures, etc.
L'agriculture est une activité extrêmement risquée, car la variable météo est beaucoup moins prévisible que les variables qui affectent la plupart des autres entreprises, telles que les taux d'intérêt, l'état de l'économie, etc. Bien que l'assurance agricole soit disponible auprès du gouvernement fédéral, dans de nombreux cas, elle n'est pas suffisante pour répondre aux types de risques plus spécialisés qui affligent les agriculteurs individuels. La Climate Corporation comble des lacunes dans l'assurance fédérale - des lacunes qu'il serait impossible d'offrir sans une meilleure compréhension des facteurs de risque auxquels sont confrontés les agriculteurs individuels. À l'avenir, à mesure que davantage de données seront disponibles, des produits d'assurance encore plus spécialisés (tels que l'assurance pour des cultures spécifiques) pourraient devenir disponibles.
