Les géants de la technologie lancent l'IA dans les prévisions météorologiques : sont-elles efficaces ?
Introduction
Une vague de modèles de prévision météorologique basés sur l'apprentissage automatique a été lancée par certaines des plus grandes entreprises mondiales. Ces modèles remettent en question l'orthodoxie des prévisions traditionnelles basées sur la physique. Mais ces modèles d'apprentissage automatique sont-ils vraiment efficaces ? La météo est une obsession nationale pour les Britanniques, et il n'est pas surprenant de voir à quel point les changements quotidiens peuvent être marquants.
Importance des prévisions météorologiques
Les prévisions météorologiques précises sont essentielles pour planifier nos vies quotidiennes. Elles permettent également de se préparer à des conditions climatiques extrêmes, ce qui peut sauver des vies et réduire les dommages matériels. Selon la NOAA, les catastrophes météorologiques aux États-Unis ont causé des pertes de 182 milliards de dollars en 2024, avec 568 décès.
Depuis 1980, les dommages causés par la météo s'élèvent à près de 3 trillions de dollars. Au Royaume-Uni, 1 311 décès dus aux vagues de chaleur ont été signalés en 2024. Une étude a montré que le Met Office pourrait générer 56 milliards de livres sterling de bénéfices pour l'économie britannique sur une décennie.
Les superordinateurs de la météo
Les prévisions traditionnelles sont élaborées sur certains des plus grands superordinateurs au monde. Le contrat de supercalcul du Met Office coûte 1,2 milliard de livres sterling. Cette somme permet d'acquérir une machine capable d'effectuer 60 quadrillions de calculs par seconde, en utilisant plus d'un million de lignes de code et 215 milliards d'observations météorologiques.
Ces modèles globaux traitent les données dans une grille de cases à travers la planète. La résolution de ces cases varie, allant de 10 à 28 km². À cette échelle, il est difficile de prédire des averses précises, et les reliefs montagneux sont souvent simplifiés.
Modèles de prévision basés sur l'apprentissage automatique
Les modèles d'apprentissage automatique, bien qu'encore récents, montrent un potentiel prometteur. Contrairement aux modèles traditionnels qui prennent des heures à fonctionner sur des superordinateurs, ces nouveaux modèles peuvent être exécutés en moins d'une minute sur un ordinateur portable standard. Ils sont formés sur 40 ans de données passées pour faire leurs prévisions.
En regardant les données de vérification des prévisions de l'ECMWF pour l'hiver 2024/2025, certains modèles comme GraphCast et AIFS ont surpassé les prévisions traditionnelles. Cependant, tous les modèles d'apprentissage automatique ne sont pas égaux, et leur performance dépend des variables examinées.
Défis et limites des modèles d'apprentissage automatique
Bien que les modèles d'apprentissage automatique soient efficaces pour prédire des caractéristiques à grande échelle, ils peuvent sous-performer pour des échelles plus petites. Cela signifie que des éléments importants, comme des averses, peuvent être négligés, rendant difficile la prévision d'événements comme les inondations de Boscastle.
Des affirmations circulent selon lesquelles ces nouveaux modèles sont meilleurs pour prédire les ouragans. Bien que certains aient montré une meilleure capacité à anticiper l'atterrissage des ouragans, ils ont souvent échoué à estimer la force du vent et les dommages potentiels. Cela pourrait être dû à l'effet d'averaging des données historiques.
Conclusion
À l'avenir, il est probable que nous voyions une coexistence entre les modèles traditionnels et ceux basés sur l'apprentissage automatique. Comme l'a déclaré le professeur Kirstine Dale, il est essentiel de tirer parti de leurs forces combinées pour des prévisions hyper-localisées et précises. Bien que les modèles d'apprentissage automatique n'existent pas depuis longtemps, leur rapidité et leur efficacité montrent un potentiel considérable pour l'avenir de la météorologie.
