Dans cet article, nous présentons LUPIN (Lagrangian Double U-Net for Physics-Informed Nowcasting), un modèle de réseau neuronal convolutif pour la prévision des précipitations, combinant apprentissage piloté par les données et connaissance du domaine basée sur la physique. Basé sur des méthodes de prédiction par extrapolation existantes, il se compose d'un U-Net générant dynamiquement des champs mobiles à mésoéchelle, d'un extrapolateur quasi-lagrangien différentiable et d'un U-Net immobile capturant le gradient temporel des précipitations. LUPIN est implémenté de manière entièrement différentiable et accéléré par GPU, et prend en charge l'apprentissage et l'inférence de bout en bout, y compris la transformation lagrangienne pilotée par les données lors de l'exécution. Nous le comparons quantitativement à d'autres modèles basés sur l'IA au moyen d'études de cas d'événements extrêmes, et confirmons que ses performances sont similaires, voire supérieures, à celles des modèles existants.
