Un jeu de données de référence pour l’estimation et la détection des précipitations depuis les satellites

Pourquoi observer la pluie depuis l’espace compte

La pluie façonne nos récoltes, remplit nos réservoirs et alimente des inondations et des glissements de terrain dangereux. Pourtant, de façon surprenante, nous ne savons toujours pas exactement quelle quantité de pluie tombe partout sur la Terre à un instant donné. Les instruments au sol sont rares au-dessus des océans et dans de nombreux pays, et même les satellites modernes n’offrent qu’une partie du tableau. Cet article présente SatRain, un nouveau jeu de données de référence mondial conçu pour aider les communautés scientifiques et technologiques à développer et à comparer équitablement des méthodes d’intelligence artificielle (IA) qui estiment les précipitations depuis l’espace. De meilleurs outils d’observation depuis l’orbite peuvent améliorer les alertes météorologiques, la gestion de l’eau et notre compréhension de la façon dont le changement climatique modifie les tempêtes.

Différents regards sur la même tempête

Mesurer la pluie est plus difficile qu’il n’y paraît car elle est hétérogène, en évolution constante, et peut tomber sous forme de bruine, d’averses, de neige ou de grêle. Les outils traditionnels ont chacun leurs forces et leurs limites. Les pluviomètres mesurent l’eau directement en un point, mais il en existe peu, notamment au-dessus des océans et dans les régions pauvres. Les radars météorologiques offrent des cartes détaillées des précipitations sur les terres, mais leur couverture diminue avec la distance et selon le relief. Les satellites sont la seule manière de surveiller les précipitations presque partout, mais ils ne détectent pas les gouttes de pluie directement. Ils mesurent plutôt la lumière et les micro-ondes affectées par les nuages et les particules en chute, et les scientifiques doivent remonter en sens inverse pour déduire quelle quantité de pluie atteint le sol.

Comment les satellites voient la pluie

Les satellites utilisent plusieurs types de capteurs qui racontent chacun une partie de l’histoire. Les satellites géostationnaires, positionnés haut au-dessus de l’équateur, observent en continu la même région en lumière visible et infrarouge, suivant les sommets nuageux mais pas la pluie en dessous. Les satellites en orbite basse embarquent des instruments micro-ondes passifs qui détectent de faibles émissions et des effets de diffusion dus aux gouttes de pluie et aux particules de glace ; ces mesures sont plus directement liées aux précipitations réelles mais n’observent un lieu donné que toutes les quelques heures et à une résolution plus grossière. Un très petit nombre de radars spatiaux peuvent mesurer les précipitations de façon plus directe, mais ils ne peuvent pas couvrir fréquemment l’ensemble du globe. Parce que chaque capteur comporte des lacunes, les cartes de précipitations modernes combinent de nombreuses sources et, de plus en plus, s’appuient sur l’apprentissage automatique pour extraire davantage d’informations des données.

Construire un banc d’essai équitable pour l’IA de la pluie

Jusqu’à présent, les chercheurs entraînaient des modèles d’IA pour l’estimation des précipitations par satellite sur des régions, périodes, capteurs et résolutions différents, rendant presque impossible de déterminer si une méthode surpassait réellement une autre. Le International Precipitation Working Group a créé SatRain pour résoudre ce problème. SatRain rassemble des observations multi-capteurs satellites — visible, infrarouge et micro-ondes — ainsi que des données « vérités » de haute qualité issues de radars météorologiques corrigés par pluviomètres sur les États-Unis contigus. Toutes les informations sont soigneusement alignées sur des grilles communes ou le long des trajectoires natives de balayage des satellites, et le jeu de données est divisé en ensembles d’entraînement, de validation et de test suivant les pratiques modernes de l’apprentissage automatique. Pour évaluer la généralisation des méthodes au-delà de l’Amérique du Nord, SatRain inclut également des données de test indépendantes provenant de la Corée et de l’Autriche, basées sur des composites radar locaux et des réseaux denses de pluviomètres.

Mettre les méthodes d’IA face à face

Avec SatRain, les auteurs ont entraîné plusieurs modèles d’IA pour estimer la quantité de pluie et pour détecter où la pluie et les fortes pluies se produisent. Ils ont comparé des modèles n’utilisant que des images infrarouges du sommet des nuages, des modèles ajoutant de nombreuses bandes visibles et infrarouges, et des modèles intégrant des mesures micro-ondes. Ils ont aussi évalué différentes techniques d’apprentissage automatique, depuis les forêts aléatoires et arbres boostés jusqu’aux réseaux neuronaux profonds modernes en forme d’U (U-Nets). Sur des milliers de scènes de tempêtes, les systèmes d’IA entraînés sur SatRain ont été capables d’égaler ou de surpasser des produits opérationnels de pointe, y compris la récupération GPROF largement utilisée et la réanalyse ERA5, en particulier lorsqu’ils utilisaient des entrées micro-ondes et des architectures profondes avancées. Les résultats se sont vérifiés non seulement aux États-Unis, mais aussi dans les régions de test indépendantes, malgré certains biais régionaux.

Ce que cela signifie pour la vie quotidienne

SatRain n’est pas en soi un nouveau produit mondial de précipitations ; c’est plutôt un terrain d’essai commun où scientifiques et développeurs peuvent démontrer que leurs algorithmes fonctionnent réellement et les comparer équitablement. En rassemblant de nombreux capteurs satellites avec certaines des meilleures mesures au sol disponibles, SatRain facilite la conception de modèles d’IA capables de voir à travers les nuages, d’interpréter des signaux subtils dans les données spatiales et de mieux suivre où et à quelle intensité il pleut. À long terme, les méthodes affinées et testées sur SatRain peuvent être transférées dans la prochaine génération de jeux de données globaux sur les précipitations, améliorant les alertes aux inondations, la surveillance des sécheresses et la recherche climatique qui touche les populations du monde entier.

Citation: Pfreundschuh, S., Arulraj, M., Behrangi, A. et al. A Benchmark Dataset for Satellite-Based Estimation and Detection of Rain. Sci Data 13, 244 (2026). https://doi.org/10.1038/s41597-026-06565-0

Mots-clés: précipitations satellite, jeu de données précipitations, apprentissage automatique, télédétection, surveillance climatique