Ces derniers mois, le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) a annoncé une nouvelle application de l'intelligence artificielle pour les prévisions météorologiques, combinant les avantages de l'IA avec ceux des modèles traditionnels basés sur la physique.
L'apprentissage machine (ML) qui est développé grâce à l'Intelligence Articielle prend de plus en plus d'importance dans les prévisions météorologiques.
M. le Conseiller Fédéral Guy Parmelin a inauguré hier au Centre National Suisse de Calcul Scientifique (CSCS) à Lugano, le supercalculateur Alps. MétéoSuisse l'utilise depuis quelques mois pour calculer le modèle numérique ICON (Icosahedral non-hydrostatic model framework) pour la production de prévisions régionales et locales dans la région alpine, région complexe sur le plan topographique. Ce supercalculateur permettra également d’utiliser l’IA de manière intensive et de développer des projets d’utilisation combinée de l’IA pour les prévisions météorologiques.
Au Centre Européen pour les Prévisions Météorologiques à Moyen Terme (CEPMMT), les projets incluant l'utilsation de l'IA pour les prévisions sont en plein développement. Il existe deux approches principales :
- utiliser l'apprentissage automatique pour créer la prévision entièrement à partir des observations
- améliorer les conditions initiales et les prévisions traditionnelles basées sur la physique.
Le modèle AIFS du CEPMMT, annoncé en janvier dernier, est un exemple de la première approche. La phase d'entraînement du modèle, qui analyse les données passées, nécessite une puissance de calcul importante ; le grand avantage est qu'une fois l'entraînement terminé, la prévision à partir de nouvelles observations est beaucoup plus efficace qu'avec les modèles basés sur la physique.
La seconde approche consiste à utiliser le ML pour corriger les conditions initiales et les trajectoires de la prédiction d'un modèle traditionnel.
Le CEPMMT utilise une technique appelée 4D-Var pour assimiler les données d'observation dans les modèles météorologiques, en appliquant de petites corrections à la prévision initiale (« first guess ») et en établissant ainsi les conditions initiales (analyse)
L'apprentissage machine sera utilisé à partir de l'année prochaine pour appliquer des corrections variables (et non plus fixes comme dans 4D-Var) non seulement dans la stratosphère, mais aussi dans la troposphère, où les erreurs de modèle sont moins importantes mais restent significatives.
La technique décrite ci-dessus peut également être appliquée à la prévision. À l'aide d'un réseau neuronal, il est possible d'estimer l'erreur systématique du modèle en fonction de la situation synoptique actuelle.
L'avantage est que la prévision principale est toujours calculée en appliquant les équations de la physique atmosphérique, puis ajustée avec l'estimation de l'erreur fournie par le ML. Les champs générés sont donc toujours cohérents avec les équations physiques, ce qui préserve le réalisme et l'interprétabilité de la prévision.
Les premiers tests de l'impact de cette approche sur la fiabilité des prévisions montrent une amélioration de presque tous les paramètres de prévision, en particulier dans les régions extra-tropicales.
Ces changements seront mis en œuvre dans un avenir proche.