L'IA de DeepMind peut-elle vraiment anticiper la météo à 15 jours avec une précision inédite ?

Chaque jour, la météo guide nos décisions, qu'il s'agisse de choisir un parapluie, de planifier une activité en extérieur ou d'assurer la sécurité de nos déplacements. Pourtant, derrière cette simplicité d’usage se cache un défi scientifique colossal : prédire avec précision des phénomènes complexes et chaotiques, dans un contexte où le changement climatique accentue l’intensité et la fréquence des événements extrêmes.

Google DeepMind semble avoir trouvé une réponse innovante avec GenCast, une intelligence artificielle qui allie rapidité, précision et capacité d'anticipation inégalées. Avec des prévisions fiables jusqu’à 15 jours, cette technologie pourrait bien révolutionner la gestion des risques météorologiques et climatiques.

Un modèle hybride plus rapide que son ombre ?

Les prévisions météorologiques traditionnelles reposent sur des modèles physiques complexes simulant les dynamiques atmosphériques, souvent calculés plusieurs fois pour évaluer les incertitudes. Ces méthodes, bien qu’efficaces, sont lentes : plusieurs heures de calculs sont nécessaires. GenCast change la donne. Ce modèle hybride combine l’efficacité des algorithmes traditionnels à un moteur d’intelligence artificielle de pointe.

GenCast is a diffusion model, similar to the machine learning models which also power generative AI.

We trained it on 40 years of historical data from @ecmwf, which included variables such as temperature, wind speed, and pressure at various altitudes - enabling it to learn pic.twitter.com/ITkN13hgiu

— Google DeepMind (@GoogleDeepMind) December 4, 2024

S’appuyant sur 40 ans de données climatiques historiques issues des archives du Centre européen de prévisions météorologiques (ERA5 de l'ECMWF), il utilise un réseau neuronal pour générer 50 scénarios simultanés en un temps record de 8 minutes, à une résolution de 0,25° (environ 27km).

Des résultats bluffants face aux modèles classiques

GenCast a été testé rigoureusement. Selon l'étude fraichement publiée dans la revue Nature, GenCast a surpassé le Centre européen de prévisions météorologiques à moyen terme (ECMWF) dans 97,2 % des 1 320 événements climatiques testés en 2019, et même dans 99,8 % des cas pour des délais supérieurs à 36 heures.

Cette avancée est particulièrement précieuse pour prévoir des événements extrêmes. Par exemple, pour le Typhon Hagibis (2019), GenCast a non seulement identifié plusieurs trajectoires potentielles sept jours à l’avance, mais a également affiné ces prévisions à mesure que l’événement se rapprochait, offrant un niveau de confiance et de précision inédit.

Vers une nouvelle ère de prévision ?

Outre sa capacité à anticiper les événements extrêmes, GenCast ouvre des perspectives stratégiques, notamment dans les énergies renouvelables. Grâce à des prévisions précises, cette IA améliore la fiabilité des réseaux électriques en anticipant avec justesse la production éolienne, surpassant l’EPS (Ensemble Prediction System) de l’ECMWF lors de tests, et favorisant ainsi l’adoption des énergies vertes.

Parallèlement, GenCast se révèle essentiel pour mieux gérer les risques climatiques comme les vagues de chaleur, les vents violents ou les inondations. Ces prévisions permettent aux autorités d’agir rapidement et efficacement, réduisant les pertes humaines et économiques, et marquent un tournant dans la préparation face aux impacts climatiques.

Une technologie accessible !

DeepMind va au-delà d’une simple avancée technique. Le code, les poids du modèle, ainsi que les prévisions historiques et en temps réel de GenCast seront mis à disposition gratuitement sur GitHub. L’objectif ? Stimuler la recherche et favoriser l’innovation dans la communauté météorologique mondiale.

DeepMind valorise la synergie entre IA et modèles traditionnels. Ces derniers, essentiels pour fournir les données initiales, restent une pierre angulaire de la météorologie. L’approche combinée illustre comment la collaboration entre humains et machines peut répondre à des défis globaux comme le changement climatique.

Références

Price, I., Sanchez-Gonzalez, A., Alet, F. et al. Probabilistic weather forecasting with machine learning. Nature (2024). https://doi.org/10.1038/s41586-024-08252-9