Le nouveau modèle météorologique européen basé sur l'IA est plus rapide, plus intelligent et gratuit : voici ce qu'il faut savoir

Le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) vient de lancer un modèle de prévision alimenté par l'IA, qui, selon le centre, surpasse jusqu'à 20 % les modèles de pointe basés sur la physique.

Le modèle est baptisé AIFS (Artificial Intelligence Forecasting System). Selon un communiqué de l'ECMWF, le nouveau modèle fonctionne à des vitesses plus rapides que les modèles basés sur la physique et nécessite environ 1 000 fois moins d'énergie pour réaliser une prévision.

Le CEPMMT, qui en est à sa 50e année d'existence, a produit ENS, l'un des principaux modèles de prévision météorologique à moyen terme au monde. Les prévisions à moyen terme comprennent les prévisions météorologiques effectuées entre trois et 15 jours à l'avance, mais le CEPMMT prévoit également la météo jusqu'à un an à l'avance. Les modèles de prévisions météorologiques sont essentiels pour que les États et les gouvernements locaux se préparent aux événements météorologiques extrêmes, ainsi qu'à des besoins plus quotidiens, comme savoir quel temps il fera pendant vos prochaines vacances.

Les modèles de prévision météorologique traditionnels établissent des prévisions en résolvant des équations physiques. Ces modèles présentent toutefois une limite : ils sont des approximations de la dynamique atmosphérique. L’un des aspects les plus intéressants des modèles basés sur l’IA est qu’ils peuvent apprendre des relations et des dynamiques plus complexes dans les modèles météorologiques directement à partir des données, plutôt que de s’appuyer uniquement sur des équations déjà connues et documentées.

L'annonce de l'ECMWF fait suite au lancement du modèle GenCast de Google DeepMind pour la prévision météorologique basée sur l'IA, la prochaine itération du logiciel de prévision météorologique de Google qui comprend NeuralGCM et GraphCast . GenCast a surpassé ENS , le principal modèle de prévision météorologique de l'ECMWF, sur 97,2 % des cibles pour différentes variables météorologiques. Avec des délais d'exécution supérieurs à 36 heures, GenCast s'est avéré plus précis qu'ENS sur 99,8 % des cibles.

Mais le Centre européen innove également. Le lancement d’AIFS-single n’est que la première version opérationnelle du système.

« Il s’agit d’un effort considérable qui garantit que les modèles fonctionnent de manière stable et fiable », a déclaré Florian Pappenberger, directeur des prévisions et des services du CEPMMT, dans le communiqué central. « À l’heure actuelle, la résolution de l’AIFS est inférieure à celle de notre modèle (IFS), qui atteint une résolution de 9 km [5,6 miles] en utilisant une approche basée sur la physique. »

« Nous considérons l'AIFS et l'IFS comme complémentaires et comme faisant partie de la fourniture d'une gamme de produits à notre communauté d'utilisateurs, qui décident de ce qui correspond le mieux à leurs besoins », a ajouté Pappenberger.

L'équipe explorera l'hybridation de la modélisation basée sur les données et la physique pour améliorer la capacité de l'organisation à prédire la météo avec précision.

« Les modèles basés sur la physique sont essentiels au processus actuel d’assimilation des données », a déclaré Matthew Chantry, responsable stratégique de l’apprentissage automatique à l’ECMWF et responsable de la plateforme d’innovation, dans un courriel adressé à Gizmodo. « Ce même processus d’assimilation des données est également essentiel pour initialiser les modèles d’apprentissage automatique quotidiens et leur permettre de faire des prévisions. »

« L’une des prochaines frontières de la prévision météorologique par apprentissage automatique est cette étape d’assimilation des données, qui, si elle était résolue, signifierait que la chaîne complète de prévision météorologique pourrait être basée sur l’apprentissage automatique », a ajouté Chantry.

Chantry est co-auteur d’une étude en attente d’examen par les pairs qui décrit un système de prévision de bout en bout basé sur les données qui ne repose pas sur une réanalyse basée sur la physique.

Baptisé GraphDOP, le système utilise des quantités observables telles que les températures de luminosité des orbiteurs polaires « pour former une représentation latente cohérente de la dynamique de l'état du système terrestre et des processus physiques », a écrit l'équipe, « et est capable de produire des prédictions habiles des paramètres météorologiques pertinents jusqu'à cinq jours dans le futur. »

L’intégration de méthodes d’intelligence artificielle à des modèles de prévision météorologique basés sur la physique est une voie prometteuse pour des prévisions plus précises. Les tests réalisés à ce jour indiquent que les prévisions basées sur l’IA peuvent surpasser les modèles historiques, mais jusqu’à présent, ces modèles s’appuyaient sur des données de réanalyse. Les observations sur le terrain ont été essentielles pour entraîner les modèles, et il reste à voir à quel point les capacités de prévision de la technologie seront impressionnantes lorsqu’elle sera forcée de s’écarter du scénario.