Un modèle informatique combinant la technologie traditionnelle de prévision météorologique avec l’apprentissage automatique a surpassé les autres outils basés sur l’intelligence artificielle (IA). Prédire les scénarios météorologiques et les tendances climatiques à long terme dépassé.

L'outil, sorti le 22 juillet dansNaturea été décrit 1, est le premier modèle d'apprentissage automatique à générer des prévisions météorologiques d'ensemble précises, qui représentent une gamme de scénarios. Son développement ouvre la porte à des prédictions plus rapides et moins énergivores que les outils existants et plus détaillées que les approches basées uniquement sur l’IA.

"Les modèles climatiques traditionnels doivent fonctionner sur des superordinateurs. C'est un modèle que vous pouvez exécuter en quelques minutes", explique Stephan Hoyer, co-auteur de l'étude, qui étudie l'apprentissage profond à Google Research à Mountain View, en Californie.

Les systèmes de prévision actuels s'appuient généralement sur des modèles de circulation générale (GCM), des programmes qui s'appuient sur les lois de la physique pour simuler les processus dans les océans et l'atmosphère terrestre et prédire comment ils pourraient affecter le temps et le climat. Cependant, les GCM nécessitent beaucoup de puissance de calcul et les progrès de l’apprentissage automatique offrent une alternative plus efficace. «Nous disposons de téraoctets ou de pétaoctets (un million de fois plus qu'un gigaoctet) de données météorologiques historiques», explique Hoyer. « En apprenant de ces modèles, nous pouvons créer de meilleurs modèles. »

Il existe déjà des modèles de prévision d'apprentissage automatique tels que Pangu-Weather, créé par le conglomérat technologique Huawei basé à Shenzhen, en Chine, et GraphCast par DeepMind dont le siège est à Londres. Ces modèles ont des niveaux de précision similaires aux GCM classiques pour les prévisions déterministes – une approche qui génère une prévision météorologique unique. Cependant, les GCM ne sont pas aussi fiables pour les prévisions d’ensemble ou les prévisions climatiques à long terme.

"Le problème avec les approches d'apprentissage automatique pur est que vous ne les entraînez qu'à partir de données qu'ils ont déjà vues", explique Scott Hosking, qui mène des recherches sur l'IA et les données environnementales dans des instituts de Londres. "Le climat change continuellement, nous nous dirigeons vers l'inconnu, nos modèles d'apprentissage automatique doivent donc extrapoler dans cet avenir inconnu. En incorporant la physique dans le modèle, nous pouvons garantir que nos modèles sont physiquement limités et ne peuvent rien faire d'irréaliste."

Modèle hybride

Hoyer et son équipe ont développé et formé NeuralGCM, un modèle qui « combine les aspects d'une méthode traditionnelle de résolution atmosphérique basée sur la physique avec certains composants de l'IA », explique Hoyer. Ils ont utilisé le modèle pour produire des prévisions météorologiques et des projections climatiques à court et à long terme. Pour évaluer la précision de NeuralGCM, les chercheurs ont comparé ses prédictions aux données du monde réel ainsi qu'aux résultats d'autres modèles, notamment les GCM et ceux basés uniquement sur l'apprentissage automatique.

À l’instar des modèles d’apprentissage automatique actuels, NeuralGCM pourrait produire des prévisions météorologiques déterministes précises à court terme – entre un et trois jours à l’avance – tout en utilisant une fraction de l’énergie requise par les GCM. Cependant, il a commis beaucoup moins d’erreurs que les autres modèles d’apprentissage automatique lors de la production de prévisions à long terme au-delà de sept jours. En fait, les prévisions à long terme de NeuralGCM étaient similaires aux prévisions du modèle d'ensemble du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF-ENS), un GCM largement considéré comme la référence en matière de prévisions météorologiques.

L’équipe a également testé la capacité du modèle à prédire divers phénomènes météorologiques, tels que les cyclones tropicaux. Ils ont constaté que de nombreux modèles d’apprentissage automatique pur produisaient des prédictions incohérentes et inexactes par rapport à NeuralGCM et ECMWF-ENS. Les chercheurs ont même comparé NeuralGCM à des modèles climatiques à haute résolution connus sous le nom de modèles globaux de résolution des tempêtes. NeuralGCM a pu produire des nombres et des trajectoires de cyclones tropicaux plus réalistes dans un délai plus court.

La capacité de prédire de tels événements est « très importante pour améliorer les compétences décisionnelles et les stratégies de préparation », explique Hosking.

Hoyer et ses collègues souhaitent affiner et adapter davantage NeuralGCM. "Nous avons travaillé sur la composante atmosphérique de la modélisation du système Terre... C'est peut-être la partie qui a le plus d'impact direct sur la météo quotidienne", explique Hoyer. Il ajoute que l'équipe aimerait intégrer davantage d'aspects des sciences de la Terre dans les versions futures afin d'améliorer encore la précision du modèle.