Une révolution en prévision météorologique par Google
En novembre dernier, un tournant s'est produit dans le domaine des prévisions météorologiques lorsque Météo-France a lancé Alpha, juste au moment où Google, via sa branche Deepmind, présentait GraphCast, un outil révolutionnaire. Publié dans la revue Science, GraphCast se démarque comme une avancée majeure, promettant des prédictions météorologiques à moyen terme d'une précision inégalée. Ce modèle d'intelligence artificielle se distingue par sa capacité à fournir des prévisions jusqu'à dix jours à l'avance, surpassant en rapidité et en précision les modèles traditionnels, notamment le système HRES du CEPMMT.
Google ne tarit pas d'éloges sur les capacités de GraphCast, soulignant son potentiel dans l'anticipation d'événements climatiques extrêmes, la précision dans la prédiction de trajectoires de cyclones, la détection des risques d'inondations liés aux rivières atmosphériques, et l'identification précoce de températures extrêmes. Avec la mise à disposition de GraphCast en Open Source, Google contribue activement au progrès de la prévision météorologique, permettant une meilleure préparation et la sauvegarde de vies humaines. Cette initiative a été saluée lorsque, en septembre, GraphCast a prédit avec une remarquable précision l'approche de l'ouragan Lee vers la Nouvelle-Écosse neuf jours avant son arrivée, une preuve de son efficacité et de son importance pour les scientifiques et les décideurs du monde entier.
GraphCast : une approche innovante en prévision météorologique
L'innovation clé de GraphCast réside dans sa méthode de prévision qui se distingue radicalement des systèmes conventionnels. Contrairement aux approches traditionnelles qui s'appuient sur d'énormes superordinateurs pour analyser l'évolution de paramètres comme les vents, la température et l'humidité à travers des modélisations mathématiques complexes, GraphCast utilise le deep learning. Cette technique moderne se base sur l'analyse de données historiques et actuelles plutôt que sur des équations physiques pour générer ses prévisions météorologiques.
Google souligne cependant que GraphCast n'est pas en concurrence avec les méthodes classiques, mais les complète. En effet, GraphCast a été entraîné sur quatre décennies de données de réanalyse météorologique provenant de la base de données ERA5 du CEPMMT, intégrant des observations issues d'images satellites, de radars et de stations météorologiques. Ces données permettent de combler les lacunes des observations manquantes et de construire un historique détaillé du climat mondial, marquant ainsi une synergie entre les approches traditionnelles et les innovations permises par l'intelligence artificielle.
GraphCast surpasse les attentes avec ses performances
GraphCast s'est révélé être un outil extraordinairement performant, surpassant le système de référence HRES dans une évaluation approfondie. Il a démontré une précision supérieure dans plus de 90 % des 1 380 variables testées, tout en offrant des délais de prévision réduits. Cependant, l'utilisation de l'intelligence artificielle dans la prévision météorologique n'est pas sans défis. Parmi les obstacles rencontrés, le coût substantiel de l'entraînement de l'IA, sa capacité à gérer l'incertitude, et une précision géographique moindre comparée à celle de Météo-France, qui peut atteindre une finesse jusqu'à 1 km, sont notables. GraphCast marque un pas en avant significatif, mais aussi un rappel que le perfectionnement des technologies IA dans la prévision météorologique reste un travail en cours.
