Les nouveaux systèmes d’IA pourraient améliorer la précision des prévisions météorologiques

Étant donné que le changement climatique rend les conditions climatiques plus imprévisibles et extrêmes, des prévisions météorologiques plus fiables sont nécessaires. En effet, celles-ci pourront nous aider à mieux prévenir les catastrophes, écrit Melissa Heikkilä dans MIT Technology Review.

Amélioration de la précision des prévisions météorologiques

Actuellement, les météorologues ont recours à des simulations informatiques massives pour établir leurs prévisions. Ces processus informatiques durent des heures avant d’être complétés. En effet, les scientifiques doivent procéder à l’analyse une par une des variables météorologiques telles que :

• la température ;
• les précipitations ;
• la pression ;
• le vent ;
• l’humidité ;
• et la nébulosité.

Cependant, de nouveaux systèmes d’intelligence artificielle pourraient permettre d’accélérer considérablement ces processus. En outre, ils pourraient rendre plus précises les prévisions et les avertissements de conditions extrêmes, indiquent deux articles publiés dans la revue scientifique Nature.

Deux systèmes d’IA pour améliorer les prévisions météorologiques

Les deux systèmes ont été développés par Huawei.

Le premier système d’IA, nommé Pangu-Weather, permet de prédire les conditions météorologiques hebdomadaires dans le monde plus rapidement et précisément que les méthodes traditionnelles.

L’algorithme du deuxième modèle a pu prédire les pluies extrêmes plus précisément que d’autres méthodes de pointe. Les résultats ont été plus précis dans 70% des cas par rapport à d’autres systèmes existants similaires.

Si ces deux technologies sont adoptées, elles pourraient être utilisées conjointement aux méthodes classiques. Cette alliance permettra d’améliorer la préparation des autorités aux mauvaises conditions météorologiques, indique le scientifique de Huawei, Lingxi Xie.

Pour développer Pangu-Weather, les chercheurs de Huawei ont conçu un réseau neuronal en profondeur se basant sur la collecte de données de réanalyse sur 39 ans. Ce réseau fonctionne à l’aide d’observations météorologiques historiques et de modèles modernes. Les méthodes de prévisions météorologiques conventionnelles analysent les variables une par une. Ce procédé prend des heures.

Toutefois, Pangu-Weather réalise l’analyse de l’ensemble de ces variables en quelques secondes.

Par ailleurs, les chercheurs ont effectué des tests de ce système par rapport à d’autres systèmes conventionnels de prévision. Ils ont par exemple comparé les résultats de Pangu-Weather par rapport au système intégré opérationnel du Centre européen de prévisions météorologiques à moyen terme (ECMWF). Ils ont constaté que leur système avait une précision similaire à ce dernier.

Pangu-Weather a également pu réaliser le suivi précis de la trajectoire d’un cyclone tropical sans formation à ce sujet. Les chercheurs ont ainsi démontré que les modèles d’apprentissage automatique peuvent suivre les processus physiques de la météo. Ces modèles sont en outre capables de les généraliser à des situations méconnues.

Pangu-Weather peut prévoir la météo plus rapidement que cela n’était le cas auparavant. Il peut prévoir des choses ne se trouvant pas dans ses données de formation, explique Oliver Fuhrer, responsable des prévisions numériques de l’Office fédéral suisse de la Météorologie et climatologie.

Amélioration des prévisions météorologiques

Au cours des dernières années, plusieurs sociétés technologiques ont dévoilé des modèles d’IA pour améliorer les prévisions météorologiques. Pangu-Weather et des modèles comparables, tels que FourcastNet de Nvidia et GraphCast de Google-DeepMind, incitent à « reconsidérer la façon dont nous utilisons l’apprentissage automatique et les prévisions météorologiques », indique Peter Dueben, responsable de la modélisation du système terrestre à l’ECMWF.

Les météorologues pourront désormais utiliser l’apprentissage automatique conjointement aux procédés conventionnels pour réaliser leurs prévisions, explique Dueden.

Le scientifique Xie espère dans le futur former le modèle de Huawei sur des données d’observation.

Actuellement, l’IA peut aider à prédire la direction des cyclones tropicaux. Toutefois, elle ne peut pas prédire leur intensité. Cette technologie a en effet tendance à sous-estimer les conditions météorologiques extrêmes.

Cependant, d’autres modèles d’IA fourniront un appui dans ce domaine. NowcastNet, un modèle d’IA génératif formé sur les principes physiques peut par exemple réaliser la prévision des pluies extrêmes avec un délai plus long que les méthodes classiques actuelles.

Les différents outils de prévision de pluie basés sur l’apprentissage en profondeur tels que le DGMR de DeepMind, peuvent établir des prévisions de pluie pour les 90 minutes suivantes. NowcastNet peut réaliser des tâches plus difficiles telles que la prévision de pluie extrêmes avec une anticipation allant jusqu’à 3 heures. Selon les conclusions de 62 météorologues chinois, ce système est la meilleure méthode de prévision actuelle dans 70% des cas.

Modèle génération profond de prévisions

L’équipe de chercheurs a conçu un système génératif profond formé sur la collecte de données de radars météorologiques, de satellites et de capteurs. Le modèle est également formé sur des principes de physique atmosphérique comme la gravité. Il est approvisionné par des données issues de dispositifs radars. Celles-ci offrent des rapports instantanés au sujet des conditions météorologiques. Le modèle est alors capable d’établir le scénario potentiel suivant associé au modèle météorologique.

D’autres modèles comme DGMR sont formés uniquement sur les données des radars. Par conséquent, ils obtiennent uniquement un instantané partiel de l’atmosphère. Les résultats sont donc moins précis pour des événements plus rares tels que les précipitations extrêmes. Par contre, le système NowcastNet se base sur la physique. Il peut donc générer une vue plus totale de la pluie et de ses comportements. On aboutit ainsi à des prédictions plus précises, expliquent les chercheurs.

Dans les cas de prévisions à court terme d’événements météorologiques tels que les précipitations, l’IA pourrait permettre de gagner du temps.

En effet, les pluies extrêmes sont responsables de nombreux décès et de destructions massives. Il est important de pouvoir de prédire ce genre d’évènements dans un délai permettant aux personnes de se préparer, explique Michael I. Jordan, informaticien de l’Université de Californie à Berkeley.

Les prévisions météorologiques centrées sur l’IA n’en sont qu’à leurs débuts. Il faut encore voir à si ces systèmes seront réellement utiles dans les cas pratiques. Le changement climatique pourrait compliquer le contexte, précise Dueben.

Le climat change assez radicalement, explique-t-il.

Dueden ajoute que personne ne sait ce comment un modèle comme Pangu-Weather réagira dans un contexte où toute la glace de l’Arctique disparaît.