Des prévisions de canicules ou de tempêtes plus fiables, plus précises et moins gourmandes en énergie, tel est le rêve de toutes les agences météo, désormais alimenté par les progrès fulgurants des modèles d’IA, cruciaux pour affronter les catastrophes accentuées par le changement climatique. Après une 1ère percée en 2023 d’un modèle d’apprentissage de Huawei, Google et Microsoft ont à leur tour développé des IA capables d’obtenir, en quelques minutes, de meilleures prévisions que celles produites en quelques heures par les puissants calculateurs traditionnels des grandes agences internationales. Ces performances, expérimentales et non encore disponibles pour le grand public ou même les professionnels, illustrent toutefois les progrès rapides de la recherche. Selon Google en décembre, son modèle GenCast, entraîné sur des données historiques, s’est montré capable de prévoir la météo et des événements extrêmes sur une période de 15 jours avec une précision inégalée. Si GenCast avait été opérationnel en 2019, il aurait, pour plus de 1.300 désastres climatiques, dépassé dans 97% des cas les prévisions de la référence mondiale, le Centre européen de prévisions météorologiques à moyen terme (ECMWF, en anglais). Un autre modèle baptisé Aurora et développé par un laboratoire de Microsoft à Amsterdam, toujours sur des données historiques, est devenu le 1er modèle IA à systématiquement mieux prédire la trajectoire à 5 jours de cyclones que ne l’avaient fait sept centres de prévisions étatiques, selon des résultats publiés mercredi dans la revue scientifique de référence «Nature». Pour Doksuri en 2023, le plus coûteux typhon du Pacifique à ce jour (plus de 28 milliards de dollars de dégâts), Aurora a été capable de déterminer avec 4 jours d’anticipation que la tempête allait frapper les Philippines alors que les prévisions officielles de l’époque le voyaient se diriger au nord de Taïwan. «Dans les cinq à dix prochaines années, le Saint Graal consistera à construire des systèmes capables de travailler directement avec des observations», satellites ou autres, «afin de générer des prévisions à haute résolution partout où nous le souhaitons», alors que nombre de pays sont dépourvus à ce jour de système d’alertes fiables, a déclaré Paris Perdikaris, l’auteur principal d’Aurora, dans une vidéo publiée par Nature. Il était prévisible que les modèles d’IA rivaliseraient un jour avec les modèles physiques classiques, mais «on ne pensait pas que ça arriverait aussi tôt», raconte Laure Raynaud, chercheuse IA à Météo-France, en plein développement de la déclinaison IA de ses modèles Arpège et AROME. Les modèles dits «physiques», développés depuis des dizaines d’années, consistent à injecter dans de puissants ordinateurs les myriades de données d’observations ou d’archives météo, puis d’y appliquer les lois de la physique transformées en équations mathématiques, pour en déduire les prévisions. Inconvénient: cela requiert des heures de calculs sur des ordinateurs surpuissants et énergivores. Un modèle d’apprentissage IA engrange ces mêmes données, mais son réseau neuronal s’auto-alimente et en déduit ses prévisions de façon «complètement statistique», sans tout recalculer, explique Laure Raynaud. Grâce aux gains de rapidité et de qualité, «on va peut-être pouvoir calculer plus souvent par jour nos prévisions», notamment pour les orages, dévastateurs et très difficiles à prévoir, explique la chercheuse. Météo-France vise des prévisions avec IA à une échelle de quelques centaines de mètres. Le centre européen ECMWF développe aussi son modèle IA, «à peu près 1.000 fois moins coûteux en temps calcul que le modèle physique» traditionnel, dit Florence Rabier, DG du centre qui fournit des prévisions à 35 pays d’Europe.