De la physique à la « boîte noire »

Les météorologues utilisent des modèles de prévision informatiques depuis des décennies. Ces modèles prennent en compte les observations météorologiques actuelles et les introduisent dans un groupe d'équations (modèles basés sur les lois de la physique). Les réponses du modèle numérique donnent ainsi une idée des conditions météorologiques futures.

L'IA, quant à elle, fonctionne différemment. Elle utilise d'énormes ensembles de données détaillant les événements météorologiques passés pour apprendre elle-même ce qui est le plus susceptible de se produire à l'avenir. En raison de cette différence, les informaticiens espèrent que l'IA pourra être utilisée pour produire des prévisions météorologiques plus précises et plus détaillées avec un délai plus long.

Aujourd’hui le ECMWF met librement et quotidiennement à disposition des prévisions établies par des systèmes IA : sur la base de réanalyses du passé (ERA5), des techniques d'apprentissage automatique sont ainsi appliquées pour déterminer comment le temps est susceptible d'évoluer à partir d'un ensemble donné de nouvelles conditions initiales.

A noter que les champs actuellement mis à disposition sont essentiellement les champs de pression, de température, de vent,.., mais pas la nébulosité et les précipitations.

Lien aux prévision IFS haute-résolution et des prévisions expérimentales AIFS

Comparaison entre le modèle haute-résolution et le AIFS expérimental

Ci-dessus l’évolution de la pression au niveau de la mer (MSL) et du vent vers 1500m.
La réponse du modèle expérimental AIFS (ECMWF) est très similaire de celle du modèle ECMWF à haute résolution.

L’IA une sorte de « vieux météorologue expérimenté » ?

D’une certaine manière, l’approche quasi « empirique » de l’IA fait penser à ces vieux météorologues expérimentés qui en analysant une situation sont capables de retrouver une situation passée similaire et assez vite d’imaginer le temps qu’il va faire et les impacts éventuels sur un territoire.

L’image est attendrissante, mais le risque est évidemment de déléguer un peu plus notre mémoire et notre expérience à du « machine learning ».

Toutefois, l'IA offre de nouvelles perspectives en matière de prévision et d'aide à la décision notamment en associant aux données météorologiques, des données d'autres domaines scientifiques.

AIFS pas encore de prévision d’ensemble

Pour tout système de prévision, il ne suffit pas de disposer d'une seule prévision météorologique. Il faut également connaître le degré de certitude ou d'incertitude de cette prévision.

Les prévisions d'ensemble actuelles reposent sur un échantillon de conditions initiales légèrement perturbées et sur l'utilisation de réalisations légèrement différentes du modèle de prévision.

Les modèles AIFS ne produisent pas encore de prévisions d'ensemble.

Pour l'AIFS, la première étape pour une prévision d’ensemble sera la même que celle dans les modèles numériques actuelles : il peut utiliser les mêmes conditions initiales perturbées que les prévisions établies à l'aide d'un modèle de prévision physique. Cela permet d'obtenir environ la moitié de l'incertitude souhaitée.

Mais dans la deuxième étape, il n'y a pas de système physique qui puisse être légèrement perturbé. L’incertitude pourrait être abordée en injectant de manière appropriée du bruit dans le modèle d’apprentissage automatique.

L’IA peut-elle prévoir des records?

Si l’IA utilise d'énormes ensembles de données météorologiques passés pour prédire ce qui est le plus susceptible de se produire dans le futur, un doute légitime se pose bien évidemment sur sa capacité à prévoir des évènements records, qui par définition n’ont jamais été mesuré ou observé.

Jusqu’à preuve du contraire, les prévisions numériques actuelles basées sur la « physique » pourraient encore, et pour longtemps, remplir cette mission.

Affaire à suivre ...

Pour creuser le sujet

• (blog précédent) Les services météorologiques européens mettent en commun leurs ressources pour intensifier l'utilisation de l'IA dans les prévisions météorologiques
• How AI models are transforming weather forecasting: a showcase of data-driven systems
• First update to the AIFS
• Capturing uncertainty in forecasts based on AI
• DeepMind AI accurately forecasts weather — on a desktop