Un système d'IA double la précision des prévisions météo jusqu'à six semaines à l'avance, selon une étude publiée dans Nature

Des chercheurs du MIT, de Harvard, de l'Université de Toronto, de Microsoft, de l'Institut national brésilien de mathématiques pures et appliquées (IMPA) et du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT, ECMWF) ont publié dans la revue Nature une étude montrant qu'une couche de post-traitement basée sur l'apprentissage automatique peut doubler la précision des prévisions météorologiques dans la fenêtre « sous-saisonnière » de deux à six semaines — une période historiquement jugée trop lointaine pour des prévisions quotidiennes fiables. Le système agit comme une « enveloppe » (wrapper) qui apprend à détecter et corriger les erreurs systématiques des modèles existants, comme le système de prévision par IA du CEPMMT. Appliqué à ce système, il a amélioré la précision pour 91 % des cibles de pression, 92 % des cibles de température et 98 % des cibles de précipitations. Fait essentiel, il a pour la première fois dépassé les moyennes climatologiques dans cette fenêtre, y compris pour les événements météorologiques extrêmes — un seuil que les méthodes traditionnelles de correction des biais n'avaient jamais atteint. Le modèle ne nécessite pas de superordinateur et peut être appliqué à n'importe quel système de prévision. Selon les chercheurs, cette amélioration a des applications concrètes majeures : de meilleures alertes à deux-six semaines pourraient aider les gestionnaires de réseaux électriques, les agriculteurs et les responsables des secours d'urgence à se préparer aux phénomènes météorologiques extrêmes. L'équipe a cité en exemple les tempêtes hivernales de 2021 au Texas, qui ont tué au moins 246 personnes, estimant qu'une alerte adéquate aurait pu aider à en atténuer les effets. Grâce à cette technique, l'équipe a remporté la première place du concours international de prévision du CEPMMT.