Il y a un siècle, le mathématicien anglais Lewis Fry Richardson a proposé une idée étonnante pour l'époque : construire un processus systématique basé sur les mathématiques pour prédire le temps.
Dans son livre de 1922 intitulé "Weather Prediction By Numerical Process", Richardson a tenté d'écrire une équation permettant de résoudre la dynamique de l'atmosphère à partir de calculs manuels.
Cela n'a pas fonctionné, car on ne connaissait pas suffisamment la science de l'atmosphère à cette époque. "Peut-être qu'un jour, dans un avenir lointain, il sera possible de faire progresser les calculs plus vite que la météo et à un coût inférieur aux économies réalisées par l'humanité grâce aux informations obtenues. Mais c'est un rêve", a conclu M. Richardson.
Un siècle plus tard, les prévisions météorologiques modernes sont basées sur le type de calculs complexes imaginés par Richardson - et elles sont devenues plus précises que tout ce qu'il avait imaginé. Au cours des dernières décennies en particulier, les progrès constants de la recherche, des données et du calcul ont permis une "révolution tranquille des prévisions météorologiques numériques".
Par exemple, une prévision de fortes pluies deux jours à l'avance est maintenant aussi bonne qu'une prévision le jour même au milieu des années 1990. Les erreurs de prévision de la trajectoire des ouragans ont été réduites de moitié au cours des 30 dernières années.
Il existe encore des défis majeurs. Les orages qui produisent des tornades, de gros grêlons ou de fortes pluies restent difficiles à prévoir. Et puis il y a le chaos, souvent décrit comme "l'effet papillon" - le fait que de petits changements dans des processus complexes rendent le temps moins prévisible. Le chaos limite notre capacité à faire des prévisions précises au-delà d'une dizaine de jours.
Comme dans de nombreux autres domaines scientifiques, la prolifération d'outils tels que l'intelligence artificielle et l'apprentissage automatique est très prometteuse pour les prévisions météorologiques. Les recherches sur l'application de l'apprentissage automatique aux prévisions de phénomènes météorologiques à fort impact ont permis de voir ce qu'il est possible de faire. Mais il ressort également que si ces outils ouvrent de nouvelles possibilités pour améliorer les prévisions, de nombreuses parties du travail sont gérées plus habilement par des personnes expérimentées.
Aujourd'hui, les principaux outils des météorologues sont les modèles numériques de prévision du temps. Ces modèles utilisent des observations de l'état actuel de l'atmosphère provenant de sources telles que les stations météorologiques, les ballons-sondes et les satellites, et résolvent les équations qui régissent le mouvement de l'air.
Ces modèles sont remarquables pour prévoir la plupart des systèmes météorologiques, mais plus un événement météorologique est petit, plus il est difficile à prévoir. Par exemple, pensez à un orage qui déverse de fortes pluies d'un côté de la ville et rien de l'autre côté. Et si les prévisionnistes expérimentés sont remarquablement doués pour synthétiser les énormes quantités d'informations météorologiques qu'ils doivent prendre en compte chaque jour, leur mémoire n’est pas infinie.
L'intelligence artificielle (IA) et l'apprentissage automatique peuvent aider à relever certains de ces défis. Les prévisionnistes utilisent aujourd'hui ces outils de plusieurs façons, notamment pour faire des prévisions sur les conditions météorologiques à fort impact que les modèles ne peuvent pas fournir.
Dans un projet débuté en 2017 aux Etats-Unis, des chercheurs de l’Université du Colorado se sont concentrés sur les fortes précipitations. Ils ont d’abord défini ce que signifiait le terme "fortes" (50 mm de pluie n’ont pas le même impact en Louisiane ou dans le Colorado ; ce qui est aussi le cas en Suisse par exemple pour le Tessin ou la région biennoise ) en utilisant des observations d'accumulations de pluie inhabituellement importantes pour chaque endroit du pays, ainsi qu'un historique des prévisions d'un modèle de prévision numérique du temps.
Ces informations ont été intégrées dans une méthode d'apprentissage automatique appelée "forêts aléatoires", qui utilise de nombreux arbres de décision pour diviser une masse de données et prédire la probabilité de différents résultats. Le résultat est un outil qui prévoit la probabilité que des pluies suffisamment fortes pour provoquer des crues soudaines se produisent.
Des méthodes similaires ont été utilisées pour prévoir des tornades, de la grêle et des vents d'orage violents. Les prévisionnistes du National Weather Service utilisent certains de ces outils pour mieux évaluer la probabilité d'un temps à fort impact un jour donné.
L'apprentissage automatique est aussi utilisé dans les modèles de prévision météorologiques numériques afin d'accélérer les tâches dont le calcul peut être intensif (par exemple la prédiction de la transformation de la vapeur d'eau en pluie).
Il est possible que les modèles d'apprentissage automatique finissent par remplacer complètement les modèles traditionnels de prévision numérique du temps. Au lieu de résoudre un ensemble d'équations physiques complexes comme le font les modèles, ces systèmes traiteraient des milliers de cartes météorologiques passées pour apprendre comment les systèmes météorologiques ont tendance à se comporter. Ensuite, en utilisant les données météorologiques actuelles, ils feraient des prévisions météorologiques basées sur ce qu'ils ont appris du passé.
Certaines études ont montré que les systèmes de prévision basés sur l'apprentissage automatique peuvent prédire les schémas météorologiques généraux aussi bien que les modèles numériques de prévision météorologique, tout en n'utilisant qu'une fraction de la puissance de calcul requise par ces derniers. Ces nouveaux outils ne permettent pas encore de prévoir les détails du temps local qui intéressent les gens, mais comme de nombreux chercheurs les testent soigneusement et inventent de nouvelles méthodes, l'avenir est prometteur.
Il faut cependant rester prudent. Contrairement aux modèles numériques de prévision météorologique, les systèmes de prévision qui utilisent l'apprentissage automatique ne sont pas limités par les lois physiques qui régissent l'atmosphère. Il est donc possible qu'ils produisent des résultats irréalistes, par exemple en prévoyant des températures extrêmes au-delà des limites de la nature. On ne sait pas non plus comment ils se comporteront lors de phénomènes météorologiques très inhabituels ou sans précédent.
Enfin, le recours à des outils d'IA peut soulever des problèmes éthiques. Par exemple, les endroits où il y a relativement peu d'observations météorologiques avec lesquelles former un système d'apprentissage automatique ne bénéficieront sans doute pas des améliorations des prévisions qui sont observées dans d'autres régions.
Une autre question centrale est de savoir comment intégrer au mieux ces nouvelles avancées dans les prévisions. Trouver le bon équilibre entre les outils automatisés et les connaissances des prévisionnistes humains experts est depuis longtemps un défi pour la météorologie. Les progrès technologiques rapides ne feront que le compliquer davantage.
Idéalement, l'IA et l'apprentissage automatique permettront aux prévisionnistes humains de faire leur travail plus efficacement, en passant moins de temps à produire des prévisions de routine et davantage à communiquer les implications et les impacts des prévisions au public. Une collaboration étroite entre les scientifiques, les prévisionnistes et les utilisateurs des prévisions est le meilleur moyen d'atteindre ces objectifs et de renforcer la confiance dans les prévisions météorologiques générées par les machines.
Article original en anglais :