Le National Oceanic and Atmospheric Administration (NOAA) a annoncé la mise en service opérationnelle d’une nouvelle génération de modèles météorologiques globaux fondés sur l’intelligence artificielle. Trois systèmes distincts (AIGFS, AIGEFS et HGEFS) sont désormais utilisés pour produire des prévisions plus rapides, réduire fortement les besoins de calcul et offrir une meilleure évaluation de l’incertitude.

Trois modèles, trois rôles

Le déploiement comprend trois composantes complémentaires :

  • AIGFS : un modèle unique IA destiné à remplacer ou compléter le Global Forecast System (GFS). Il réduirait la consommation de ressources de calcul jusqu’à 99,7 % et fournirait des prévisions en environ 40 minutes. Selon les tests rapportés, il diminue en particulier l’erreur de trajectoire des cyclones tropicaux sur les horizons lointains.
  • AIGEFS : une « pseudo-ensemble » IA de 31 membres conçue pour produire des scénarios variés et mieux quantifier l’incertitude. Ses performances seraient comparables à celles du GEFS tout en n’utilisant qu’environ 9 % des ressources de calcul de ce dernier.
  • HGEFS : une « hybrid grand ensemble » de 62 membres qui combine 31 membres physiques (modèles traditionnels) et 31 membres IA. NOAA indique que ce système hybride surpasse de façon systématique les approches purement physiques ou purement IA sur la plupart des indicateurs de vérification.

Ce que cela change pour la prévision et la protection

Selon NOAA, l’adoption de ces modèles accélère la diffusion des prévisions vers les services opérationnels et le grand public, et améliore la détection et l’anticipation d’événements extrêmes tels que fortes pluies et inondations. Des gains de rapidité et d’efficacité de calcul permettent aussi de rendre plus accessibles des scénarios d’ensemble à large échelle, ce qui aide les prévisionnistes et les décideurs à mieux juger les risques et à préparer des réponses adaptées.

Les modèles ont été développés dans le cadre du projet EAGLE (Project EAGLE), en associant services publics, laboratoires et partenaires privés. Ils reposent notamment sur l’architecture GraphCast mise au point par DeepMind, enrichie par les données d’assimilation du NOAA (GDAS). Cette intégration de sources et d’approches vise à combiner la rapidité et l’efficacité de l’apprentissage automatique avec la robustesse des modèles physiques.

Limites, priorités de recherche et coopération

NOAA souligne toutefois des limites actuelles, en particulier concernant la prévision de l’intensité des ouragans, qui demeure une priorité d’amélioration. L’efficacité des modèles IA varie selon les métriques étudiées et les types d’événements météorologiques, d’où l’intérêt du recours à des ensembles hybrides.

La feuille de route annoncée met l’accent sur la poursuite de la recherche, l’affinement des modèles et le renforcement des collaborations internationales. Ces efforts visent à étendre la diversité des scénarios d’ensemble et à traiter les points faibles identifiés lors des premières évaluations opérationnelles.

Ce qui reste à confirmer

Certains éléments annoncés reposent sur des évaluations internes et des comparaisons avec des systèmes antérieurs. La généralisation des gains observés à d’autres régions du globe, l’évolution des performances dans le temps et l’impact opérationnel précis sur la gestion des risques restent à documenter par des validations indépendantes et par la communauté internationale.

À retenir

  • NOAA a mis en service trois modèles météo globaux basés sur l’IA : AIGFS, AIGEFS et HGEFS.
  • AIGFS réduit fortement les besoins de calcul et accélère les prévisions, AIGEFS fournit des scénarios d’incertitude et HGEFS combine modèles physiques et IA.
  • Les modèles s’appuient sur GraphCast (DeepMind) et sur les données d’assimilation GDAS du NOAA.
  • La prévision de l’intensité des ouragans reste un point à améliorer; des recherches et collaborations sont prévues.
  • Des validations indépendantes et un suivi international seront nécessaires pour confirmer l’étendue des bénéfices opérationnels.

Article amélioré avec l'IA - Article original