Dans le cadre d’une thèse, le LMD s’intéresse à la problématique des prévisions sous-saisonnières à saisonnières (S2S) pour la production d’énergie renouvelable. L’approche statistique actuelle, basée sur les relations entre les variables atmosphériques à grande échelle et les conditions de surface, est affinée en explorant des modèles non linéaires tels que les réseaux de neurone convolutifs. L’étude cherche également à intégrer diverses variables atmosphériques et à étendre l’application à des ensembles multi-modèles. Finalement, communiquer efficacement les résultats de prévision aux utilisateurs finaux dans le secteur de l’énergie en prenant en compte leur intérêt économique est aussi un vrai challenge sur lequel travailler.

Tian, G., Le Coz, C., Alexandre Charantonis, A., Tantet, A., Goutham, N., and Plougonven, R.: Convolutional neural network downscaling to improve sub-seasonal wind-speed predictions in Europe, EMS Annual Meeting 2023, Bratislava, Slovakia, 4–8 Sep 2023, EMS2023-321, https://doi.org/10.5194/ems2023-321, 2023.