Big data et les prévisions météorologiques

Les prévisions météorologiques a toujours été extrêmement difficile, étant donné le nombre de variables impliquées et les interactions complexes entre ces variables. Une augmentation spectaculaire de la capacité de recueillir et traiter les données ont grandement amélioré la capacité des météorologues de repérer le moment et la gravité des ouragans, des inondations, des tempêtes de neige, et d'autres phénomènes météorologiques.

Un exemple d'une application de données de grandes à la prévision météorologique est de Deep Thunder IBM. Contrairement à de nombreux systèmes de prévision du temps, qui donnent des informations générales sur une vaste zone géographique, Deep de Thunder fournit des prévisions pour des endroits très spécifiques, comme un seul aéroport, de sorte que les autorités locales peuvent obtenir des informations d'une importance cruciale en temps réel. Voici quelques exemples d'informations que Deep Tonnerre peut fournir:

• Les estimations des zones où les inondations est susceptible d'être plus sévère

• La force et la direction des tempêtes tropicales

• Le montant le plus probable de la neige ou la pluie qui va tomber dans un domaine spécifique

• 
  
  
  
  

  Les endroits les plus probables de lignes électriques

• Les estimations des zones où la vitesse du vent sont susceptibles d'être plus grand

• Les endroits où les ponts et les routes les plus susceptibles d'être endommagés par les tempêtes

• La probabilité de vols étant annulée dans les aéroports spécifiques

Cette information est essentielle pour la planification d'urgence. En utilisant les données de grandes, les autorités locales peuvent mieux anticiper les problèmes causés par les conditions météorologiques avant qu'ils ne surviennent. Par exemple, les planificateurs peuvent se préparer à évacuer les zones basses qui sont susceptibles d'être inondées. Il est également possible de faire des plans de mise à niveau des installations existantes. (Par exemple, les lignes électriques qui sont sujettes à être désactivés par les vents violents peuvent être mis à jour.)

Un client important de Deep Thunder est la ville de Rio de Janeiro, au Brésil, qui sera utilise le système dans la planification pour les Jeux olympiques de 2016. Grâce à la technologie, la ville fera usage de l'amélioration des prévisions pour tempêtes, les inondations et autres catastrophes naturelles, afin d'assurer que les Jeux Olympiques ne sera pas perturbé par ces événements.

IBM fournit également la puissance de calcul massive à l'Administration météorologique coréenne (KMA) pour embrasser pleinement la technologie grande de données. Le KMA rassemble plus de 1,5 téraoctets de données météorologiques chaque jour, ce qui nécessite une quantité phénoménale de stockage et de puissance de traitement pour analyser. En utilisant les données de grandes, le KMA sera en mesure d'améliorer ses prévisions concernant la force et l'emplacement de tempêtes tropicales et d'autres systèmes météorologiques.

Un téraoctet équivaut à un billion d'octets. Voilà 1.000.000.000.000 octets d'informations. Vous écririez un trillion d'octets en notation scientifique que 1,0 x 10¹². Pour mettre cela en perspective, vous auriez besoin d'environ 1500 CD pour stocker un seul téraoctet. Y compris leurs boîtiers en plastique, ce serait empiler comme une tour de 40 pieds de CD.

Un autre exemple de l'utilisation de grands volumes de données dans les prévisions météorologiques a eu lieu lors de l'ouragan Sandy en 2012 - la «tempête du siècle». Le National Hurricane Center a été en mesure d'utiliser la technologie de grande données pour prédire le débarquement de l'ouragan dans les 30 miles à cinq jours complets à l'avance. Cela représente une augmentation spectaculaire de la précision de ce qui était possible il ya 20 ans. En conséquence, la FEMA et d'autres organisations de gestion des catastrophes étaient beaucoup mieux préparés pour faire face à la pagaille qu'elles ne l'auraient été si elle avait eu lieu dans les années 1990 ou plus tôt.

Une des conséquences intéressantes de collecte et de traitement des données plus de temps est l'apparition de sociétés qui vendent de l'assurance personnalisée pour protéger contre les dommages dus aux intempéries. Un exemple en est la Société climatiques, qui a été formé en 2006 par deux anciens employés de Google. La Société vend des services climatiques de prévisions météorologiques et de l'assurance spécialisée pour les agriculteurs qui cherchent à couvrir le risque de dommages aux cultures. La société utilise les données de grandes d'identifier les types de risques qui sont pertinents à une zone spécifique, sur la base des quantités massives de données sur l'humidité, le type de sol, les rendements des cultures passées, et ainsi de suite.

L'agriculture est une entreprise très risquée, car la variable du temps est beaucoup moins prévisible que les variables qui affectent la plupart des autres entreprises, tels que les taux d'intérêt, l'état de l'économie, et ainsi de suite. Bien que l'assurance agricole est disponible auprès du gouvernement fédéral, dans de nombreux cas, il ne suffit pas pour répondre aux types plus spécialisés de risques qui affligent famers individuels. La Société climatique comble les lacunes dans l'assurance fédérale - lacunes qui seraient impossibles à offrir sans une meilleure compréhension des facteurs de risque auxquels sont confrontés les agriculteurs individuels. Dans l'avenir, que de nouvelles données sont disponibles, même des produits plus spécialisés d'assurance (tels que l'assurance pour les cultures spécifiques) peuvent devenir disponibles.