Quand les chercheurs allient les modèles de prévisions météorologiques actuels avec l’intelligence artificielle, le résultat est bluffant et particulièrement performant, y compris à moyen terme !
Tous les matins, vous regardez le ciel pour avoir une idée du temps, puis votre application météo (ou la météo à la télévision) afin d’obtenir les prévisions de la journée et savoir si vous devez prendre un parapluie, vous couvrir, prévoir la crème solaire, emporter vos lunettes de soleil, etc.
Nous faisons tous ça, c’est normal. Mais savez-vous comment les prévisions météorologiques que vous consultez sont réalisées ?
Les modèles de prévisions météo traditionnels
Les prévisions météorologiques à l’heure actuelle sont réalisées par des modèles informatiques basés sur nos connaissances de la physique atmosphérique (des courants atmosphériques notamment) et sur des données empiriques. Les modèles sont ensuite confiés à des ordinateurs qui doivent les calculer afin de fournir les prévisions. La plupart du temps, un modèle est calculé plusieurs fois, car il peut donner des résultats qui diffèrent à cause de la nature chaotique de la météo.
C’est la différence de résultat entre chaque calcul du modèle qui permet d’obtenir le degré d’incertitude de la prévision.
Il y a quelques années, lorsque l’IA a commencé à devenir quelque chose d’accessible, la question de l’utiliser pour créer des prévisions météorologiques s’est posée. Il faut dire que le fonctionnement actuel, que nous venons de décrire, est très lent, le temps de calcul des prévisions étant long (plusieurs heures), rendant parfois les prévisions obsolètes avant même qu’elles soient fournies.
Google avait alors mis le doigt dans l’engrenage en créant un modèle de prévision rapide grâce à un réseau de neurones. Le modèle proposé permettait de réaliser des prévisions météo sur six heures en à peine 1 minute.
Aujourd’hui, les techniques d’intelligence artificielle ont évolué et pourraient bien permettre de réaliser des prédictions non pas à plusieurs heures, mais à plusieurs jours. Cependant, pour cela l’usage d’un simple modèle IA ne peut pas suffire, des tests ayant démontré qu’il s’éloigne bien trop de la réalité.
Les bienfaits d’un modèle hybride entre les prévisions traditionnelles et l’IA
Aujourd’hui, Google Deepmind, la branche IA de Google, a dévoilé GenCast. Il s’agit d’un tout nouveau modèle de calcul de prévisions météorologiques utilisant l’IA. Sa particularité, c’est qu’il est basé sur les modèles traditionnels, auquel un moteur de calcul d’intelligence artificielle est ajouté (avec ajout des données météo actuelles).
D’après les tests réalisés, GenCast propose des prévisions ultra-précises (sur 15 jours), parfois même plus précises que le Centre européen pour les prévisions météorologiques à moyen terme (European Centre for Medium-Range Weather Forecasts), qui est actuellement le leader des prévisions météorologiques. Ainsi, dans 97.2 % des cas étudiés, c’est GenCast qui a fourni les prévisions les plus justes.
Deepmind indique sur sa page de présentation que le modèle (son code et toutes les informations nécessaires) sera mis à disposition sur la page GitHub du projet afin que les chercheurs en météorologie à travers le monde puissent se l’approprier et le tester.
Par rapport aux modèles de prévisions actuels, DeepMind indique que GenCast est capable de fournir un ensemble d’une cinquantaine de prédictions en un seul calcul (en un temps record de quelques minutes), permettant de visualiser l’évolution possible de la météo, ce qui est particulièrement intéressant en cas d’événements météorologiques extrêmes.
Comme décrit sur la page de présentation du projet, “GenCast est un modèle de diffusion, le type de modèle d’IA générative qui s’appuie sur les progrès récents et rapides en matière de génération d’images, de vidéos et de musique. Cependant, GenCast diffère de ces modèles en ce sens qu’il est adapté à la géométrie sphérique de la Terre et qu’il apprend à générer avec précision la distribution complexe des probabilités des scénarios météorologiques futurs lorsque l’état le plus récent de la météo lui est fourni dans les données d’entrée.”
Pour entraîner GenCast, les équipes de Deepmind lui ont fourni dans un premier temps les données météorologiques des quarante dernières années, issues des archives du Centre européen pour les prévisions météorologiques à moyen terme. Ces données comprenaient la température, la vitesse du vent et la pression à diverses altitudes.
