L’IA dans les prévisions météorologiques
Les modèles météorologiques d’IA apprennent les modèles atmosphériques directement à partir de décennies d’observations passées, produisant en quelques secondes des prévisions sur 10 jours qui rivalisent ou battent les modèles de supercalculateurs basés sur la physique qui prenaient des heures à s’exécuter.
Aperçu
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Plongée profonde
Pendant 70 ans, la prévision météorologique consistait à résoudre les équations de la physique des fluides sur des superordinateurs géants – un processus appelé prévision numérique du temps (PNT). L'IA inverse cette approche : des modèles tels que GraphCast de Google DeepMind, Pangu-Weather de Huawei et FourCastNet de NVIDIA sont formés sur l'ensemble de données de réanalyse ERA5, soit environ 40 ans de météo mondiale horaire. Ils apprennent les relations statistiques entre l'atmosphère d'aujourd'hui et celle de demain, puis les prévoient en faisant correspondre des modèles plutôt qu'en simulant la physique. GraphCast produit une prévision mondiale sur 10 jours avec une résolution de 0,25 degré en moins d'une minute sur un seul TPU, contre des heures sur un cluster de superordinateurs. En 2023, GraphCast a surpassé le modèle de référence du CEPMMT sur la plupart des variables. Le Centre européen gère désormais son propre modèle d'IA opérationnel, AIFS.
Aperçu technique
GraphCast représente le globe sous forme de graphique : un multi-maillage de nœuds connectés à plusieurs échelles, permettant aux informations de se propager à la fois localement et sur de longues distances en quelques étapes. Un réseau neuronal graphique ingère l’état atmosphérique actuel et antérieur, puis prédit l’état 6 heures à l’avance. Pour prévoir 10 jours, il réinjecte sa propre production de manière autorégressive, 40 fois. L'entraînement optimise une erreur pondérée sur les niveaux de pression et les variables telles que la température, le vent et l'humidité.
Impact stratégique
Contexte et règles
Le contexte industriel détermine si les idées d’IA survivent au contact avec la réalité.
Contrôle qualité
Les contraintes de domaine influencent les taux d'erreur acceptables et les modèles de surveillance.
Choix de construction
Les déploiements réussis alignent les capacités techniques sur les flux de travail de première ligne.
L’avenir de l’IA dans les prévisions météorologiques
Les prévisions de l’IA passent de la recherche aux opérations quotidiennes : le CEPMMT, le Met Office britannique et d’autres exécutent désormais des modèles d’IA parallèlement à la physique. Les prochaines frontières incluent des ensembles basés sur la diffusion (GenCast) qui quantifient l'incertitude, des modèles locaux à l'échelle kilométrique et des « modèles de base » pour la Terre qui gèrent ensemble la météo, le climat et la qualité de l'air. Des systèmes hybrides associant la vitesse de l'IA à la fiabilité de la physique pour des extrêmes rares sont probables, car les modèles purement basés sur les données peuvent sous-estimer des événements sans précédent absents des données d'entraînement.
Mise en œuvre dans le monde réel
Google GraphCast de DeepMind génère des prévisions mondiales sur 10 jours en moins d'une minute, utilisées pour signaler la trajectoire des cyclones plusieurs jours à l'avance
Le CEPMMT exécute son modèle opérationnel AIFS pour compléter ses prévisions traditionnelles basées sur la physique pour les services météorologiques européens
FourCastNet de NVIDIA produit rapidement de grands ensembles pour estimer la probabilité d'événements de vents et de précipitations extrêmes
GenCast produit des prévisions d'ensemble probabilistes qui battent l'ENS du CEPMMT sur 97 pour cent des objectifs météorologiques testés, améliorant ainsi le guidage de la trajectoire des cyclones tropicaux
Risques et garde-fous
Les exigences réglementaires peuvent invalider des prototypes autrement solides.
Les données historiques peuvent coder des préjugés qui nuisent à des communautés spécifiques.
Les systèmes existants peuvent créer des goulots d'étranglement en matière d'intégration et des coûts cachés.
Feuille de route de mise en œuvre
Impliquez des experts du domaine, de la formulation du problème à l’évaluation.
Concevoir des pistes d'audit et de la documentation avant le lancement.
Validez tôt les obligations de conformité et de sécurité.
Déployez par phases avec des critères d’arrêt et de restauration clairs.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Weather Forecasting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
L'IA dans la prévision des inondations
Questions fréquemment posées
What is AI in Weather Forecasting?
Les modèles météorologiques d’IA apprennent les modèles atmosphériques directement à partir de décennies d’observations passées, produisant en quelques secondes des prévisions sur 10 jours qui rivalisent ou battent les modèles de supercalculateurs basés sur la physique qui prenaient des heures à s’exécuter. Cela remodèle la façon dont les météorologues prédisent les tempêtes, les vagues de chaleur et les ouragans.
Sur quel ensemble de données les principaux modèles météorologiques d'IA comme GraphCast s'entraînent-ils principalement ?
GraphCast et des modèles similaires sont formés sur la réanalyse ERA5 du CEPMMT, qui fournit des décennies de données atmosphériques mondiales horaires cohérentes.
En quoi un modèle d’IA comme GraphCast diffère-t-il fondamentalement des prévisions météorologiques numériques traditionnelles ?
La prévision numérique du temps résout numériquement les équations de la dynamique des fluides, tandis que l'IA modélise les relations apprises à partir de données historiques.
Comment GraphCast produit-il une prévision sur 10 jours à partir d’une étape de prédiction de 6 heures ?
GraphCast prédit 6 heures à l'avance, puis renvoie cette prédiction en entrée, en répétant environ 40 fois pour atteindre 10 jours.
Combien de temps faut-il environ à GraphCast pour générer une prévision mondiale sur 10 jours sur un seul TPU ?
L’un des principaux avantages de la prévision par l’IA est la rapidité : GraphCast s’exécute en moins d’une minute, contre quelques heures pour un supercalculateur NWP.
Quelle est l’une des principales limites des modèles météorologiques d’IA purement basés sur les données ?
Parce qu’ils apprennent à partir de données historiques, les modèles d’IA peuvent avoir du mal à gérer des événements record sans précédent dans leur ensemble de formation.