Les prévisions météo de l’heure, de la semaine et même du siècle : offertes par l’IA, découvrez-les maintenant !

Les modèles d’apprentissage automatique révolutionnent les prévisions météorologiques

Les modèles d’apprentissage automatique prennent de plus en plus d’importance dans le domaine des prévisions météorologiques, que ce soit pour une estimation rapide de la durée d’une pluie ou pour une prévision à 10 jours, voire même à l’échelle d’un siècle. Cette technologie est de plus en plus importante pour les scientifiques du climat, ainsi que pour les applications et les stations de télévision locales. Pourtant, elle ne « comprend » pas la météo plus que vous ou moi.

Les modèles basés sur les données remplacent les modèles physiques

Pendant des décennies, la météorologie et les prévisions météorologiques ont été largement définies par l’ajustement des observations à des modèles et des équations basés sur la physique. C’est toujours vrai – il n’y a pas de science sans observation – mais les vastes archives de données ont permis de développer de puissants modèles d’intelligence artificielle qui couvrent presque toutes les échelles de temps qui vous intéressent. Et Google cherche à dominer le domaine pour toujours.

Les modèles de « nowcasting » de DeepMind

À court terme, nous avons les prévisions immédiates, consultées généralement pour savoir s’il faut prendre un parapluie. Cela est assuré par les modèles de « nowcasting » de DeepMind, qui examinent essentiellement les cartes de précipitations comme une séquence d’images et essaient de prédire comment les formes dans ces images vont évoluer et se déplacer. Grâce à des heures innombrables de radar Doppler à étudier, le modèle peut avoir une assez bonne idée de ce qui va se passer ensuite, même dans des situations assez complexes comme l’arrivée d’un front froid apportant de la neige ou du verglas.

Les prévisions météorologiques basées sur les statistiques

Ce modèle est un exemple de la précision des prévisions météorologiques lorsque celles-ci sont effectuées par un système qui n’a aucune connaissance réelle de la façon dont se produit le temps. Les météorologues peuvent vous dire que lorsque ce phénomène climatique rencontre tel autre, vous obtenez du brouillard, de la grêle ou de la chaleur humide, car c’est ce que les lois de la physique leur disent. Le modèle d’intelligence artificielle ne sait rien de la physique – étant purement basé sur les données, il fait simplement une supposition statistique sur ce qui va se passer ensuite. Tout comme ChatGPT ne « sait » pas réellement de quoi il parle, les modèles météorologiques ne « savent » pas ce qu’ils prédisent.

La prédiction des conditions météorologiques à plus long terme avec MetNet-3

Google a récemment présenté un nouveau modèle légèrement plus long terme appelé MetNet-3, qui prédit jusqu’à 24 heures à l’avance. Ce modèle utilise des données provenant d’une zone plus vaste, comme les stations météorologiques à travers le pays ou l’État, et ses prévisions se font à une plus grande échelle. Cela est utile pour des choses comme « est-ce que cette tempête va passer par-dessus les montagnes ou se dissiper ». Il est essentiel de savoir si les vitesses du vent ou la chaleur risquent d’atteindre des niveaux dangereux le lendemain matin pour planifier les services d’urgence et déployer d’autres ressources.

GraphCast : des prévisions météorologiques à 10 jours plus précises et plus rapides

Google DeepMind a publié un article dans la revue Science décrivant GraphCast, qui « prédit les conditions météorologiques jusqu’à 10 jours à l’avance de manière plus précise et beaucoup plus rapide que le système de simulation météorologique de référence de l’industrie ». GraphCast permet de prédire les conditions météorologiques à l’échelle mondiale avec une résolution de 0,25 degré de longitude/latitude, soit environ 28×28 kilomètres à l’équateur. Cela signifie prédire ce qui se passera dans plus d’un million de points autour de la Terre, avec une précision considérable pour les grands schémas météorologiques de la semaine.

Les modèles ClimSim pour les prévisions à long terme

Les modèles ClimSim fonctionnent de manière similaire à ceux mentionnés ci-dessus : au lieu d’entrer des chiffres dans un modèle basé sur la physique, ils considèrent toutes les données comme un champ vectoriel interconnecté. Lorsqu’un nombre augmente et entraîne de manière fiable une augmentation de l’autre de la moitié, mais une diminution du troisième d’un quart, ces relations sont intégrées dans la mémoire du modèle d’apprentissage automatique, même s’il ne sait pas qu’elles concernent, par exemple, le CO2 atmosphérique, la température de surface et la biomasse océanique.

Des prévisions météorologiques à long terme plus précises et moins coûteuses

Les modèles construits par l’équipe de ClimSim sont étonnamment précis tout en étant beaucoup moins coûteux en termes de calcul. Cependant, les scientifiques restent sceptiques et gardent un esprit ouvert. Ces prévisions à long terme sont difficiles à valider en raison des évolutions rapides du climat, mais elles deviennent de plus en plus précieuses. Les chercheurs cherchent à accélérer et à améliorer ces prévisions en utilisant l’apprentissage automatique.

Conclusion

Les modèles d’apprentissage automatique révolutionnent les prévisions météorologiques en offrant des prédictions plus précises et plus rapides à différentes échelles de temps. Bien qu’ils ne comprennent pas la météo de la même manière que les météorologues, ils sont devenus des outils essentiels pour les scientifiques du climat et les services météorologiques. Ces modèles ne remplacent pas les méthodes traditionnelles basées sur la physique, mais les complètent et offrent de nouvelles possibilités pour la prévision du temps à court et long terme.