Fusion de l’IA et des Modèles Traditionnels pour la Prévision Météorologique
Les nouvelles techniques d’apprentissage automatique, qui prédisent la météo en s’appuyant sur des données historiques, sont remarquablement rapides et efficaces. Cependant, elles rencontrent des difficultés pour les prévisions à long terme. En revanche, les modèles de circulation générale, qui ont dominé la prévision météorologique depuis cinq décennies, utilisent des équations complexes pour modéliser les changements atmosphériques, offrant des projections précises, mais nécessitant des ressources considérables et du temps. Les experts sont partagés sur l’outil le plus fiable pour l’avenir. Toutefois, le nouveau modèle développé par Google cherche à allier ces deux approches.
Une Collaboration entre Physique et Intelligence Artificielle
« Ce n’est pas une opposition entre la physique et l’IA. C’est vraiment une synergie entre les deux », déclare Stephan Hoyer, chercheur en IA chez Google Research et co-auteur de l’étude.
Le système commence par utiliser un modèle conventionnel pour évaluer les grands changements atmosphériques nécessaires à la prévision. Ensuite, il intègre l’IA, qui excelle là où les modèles traditionnels montrent leurs limites, notamment pour des prévisions à des échelles inférieures à 25 kilomètres, comme celles concernant les formations nuageuses ou les microclimats régionaux (comme le brouillard de San Francisco). « C’est à ce niveau que nous intégrons l’IA de manière ciblée pour corriger les erreurs qui s’accumulent à petite échelle », explique Hoyer.
Des Prédictions de Qualité avec Moins de Ressources
Les chercheurs affirment que ce modèle, nommé NeuralGCM, peut fournir des prévisions de qualité plus rapidement tout en nécessitant moins de puissance de calcul. Ils soutiennent que NeuralGCM est aussi précis que les prévisions à un à quinze jours du Centre Européen pour les Prévisions Météorologiques à Moyen Terme (CEPMMT), qui est un partenaire de cette recherche.
Cependant, le véritable potentiel de cette technologie ne réside pas seulement dans l’amélioration des prévisions locales, selon Aaron Hill, professeur adjoint à l’École de Météorologie de l’Université de l’Oklahoma, qui n’a pas participé à cette recherche. Il s’agit plutôt d’événements climatiques à grande échelle, souvent trop coûteux à modéliser avec des techniques conventionnelles. Les applications pourraient inclure la prévision des cyclones tropicaux avec un meilleur délai d’alerte ou la modélisation de changements climatiques complexes sur plusieurs années.
Les Défis des Modèles Climatiques Traditionnels
« Simuler la planète de manière répétée ou sur de longues périodes est extrêmement exigeant sur le plan computationnel », souligne Hill. Cela signifie que les meilleurs modèles climatiques sont limités par les coûts élevés de la puissance de calcul, ce qui constitue un véritable obstacle à la recherche.
Modèles d’IA : Efficacité et Simplicité
Les modèles basés sur l’IA sont effectivement plus compacts. Une fois formé, généralement sur 40 ans de données météorologiques historiques du CEPMMT, un modèle d’apprentissage automatique comme GraphCast de Google peut fonctionner avec moins de 5 500 lignes de code, contre près de 377 000 lignes pour le modèle de la National Oceanic and Atmospheric Administration, selon l’étude.
NeuralGCM, selon Hill, démontre clairement que l’IA peut être intégrée pour des éléments spécifiques de la modélisation météorologique, rendant le processus plus rapide tout en préservant les atouts des systèmes traditionnels.
Intégration des Connaissances Passées avec l’IA
« Nous n’avons pas besoin de jeter aux oubliettes tout le savoir accumulé au cours des 100 dernières années sur le fonctionnement de l’atmosphère », affirme-t-il. « Nous pouvons réellement intégrer cela avec la puissance de l’IA et de l’apprentissage automatique. »
Hoyer précise que l’utilisation du modèle pour prédire la météo à court terme a été utile pour valider ses prévisions, mais l’objectif est de l’utiliser pour des modélisations à plus long terme, en particulier pour évaluer les risques liés aux événements météorologiques extrêmes.
Un Outil Ouvert aux Chercheurs et aux Professionnels
NeuralGCM sera un modèle open source. Hoyer se réjouit de voir les climatologues l’utiliser dans leurs recherches, mais ce modèle pourrait également intéresser d’autres secteurs. Les traders de matières premières et les planificateurs agricoles sont prêts à investir pour obtenir des prévisions de haute résolution, et les modèles utilisés par les compagnies d’assurance pour des produits comme l’assurance contre les inondations ou les événements climatiques extrêmes peinent à prendre en compte l’impact du changement climatique.
Un Élan Rapide dans le Domaine de l’IA
Bien que de nombreux sceptiques de l’IA dans la prévision météorologique aient été convaincus par les développements récents, selon Hill, le rythme rapide des avancées rend difficile pour la communauté de recherche de suivre. « C’est incroyable », dit-il, « il semble qu’un nouveau modèle soit publié par Google, Nvidia ou Huawei tous les deux mois. Cela complique la tâche des chercheurs pour déterminer quels outils seront les plus utiles et pour postuler à des subventions de recherche en conséquence. »
« L’appétit pour l’IA est présent », conclut Hill. « Mais beaucoup d’entre nous attendent encore de voir ce qui va se passer. »
