Approche simplifiée des modèles météo générés par IA

Google vient d’annoncer son nouveau modèle #meteo basé sur l’IA : WeatherNext3 [3].

Le DWD, l’office météorologique allemand, a consacré ce dimanche un article grand public sur ce sujet, en élargissant sur l’ensemble des modèles IA. Cet article est publié dans la rubrique des « Thèmes du jour » : « WeatherNext3" – Wie zuverlässig ist ein KI-Modell ohne explizite Physik ? ».

L’article se traduit facilement avec n’importe quel traducteur en ligne. Il ne comprend rien de technique.

Je reprends ci-dessous les principaux arguments pour et contre développés dans l’article, en y ajoutant des éléments plus personnels. J’en rédigerai un ultérieurement plus approfondi et sourcé, bien que ce ne soit pas ma priorité pour le moment.

Les modèles générés par IA apprennent à partir des réanalyses du passé les situations et leurs évolutions.
Il est nécessaire dans un premier temps de générer une réanalyse spécifique au modèle IA sur une période de temps suffisamment longue pour couvrir un large panel de situations. Ensuite, le modèle s’entraîne sur la réanalyse, en vérifiant qu’il ne s’écarte pas (trop) de la réanalyse des échéances calculées. Le modèle acquiert ainsi un certain nombre de références dont il va se servir pour prédire le temps à venir.

– L’intégration des observations radar et satellite pour la pluie apparaît comme un point positif à très court et court termes. Notons néanmoins que ces données sont également assimilées dans les modèles basés sur la physique. Cependant, dans les modèles IA, l’évolution pluvieuse est souvent de meilleure qualité dans les échéances proches.

– Le gros point noir des modèles IA est double :

• Le réchauffement climatique

Dans un contexte global où ce réchauffement s’accélère, les situations passées s’éloignent de plus en plus des situations présentes. Le risque de sous-estimation des températures, de l’humidité et du vent^? s’en trouve accru.

Par exemple, une masse d’air plus chaude peut contenir plus de vapeur d’eau. Mais cette vapeur d’eau se condensera pour former des nuages à un seuil plus élevé puisqu’il faut que l’air arrive à saturation. Cependant, une fois ce seuil atteint, les précipitations résultante seront plus intenses.

De même, une hausse des températures, notamment en surface et en basses couches, peut entraîner des gradients thermiques verticaux et/ou horizontaux plus resserrés. Des cyclogénèses ou des systèmes orageux plus intenses peuvent alors se produire.

• Les évènements extrêmes

Justement, des évènements n’apparaissant pas dans l’historique appris seront sous-estimés : précipitations, systèmes convectifs, tempêtes, vagues de chaleur ou de froid, etc.

L’ennui est que ce sont des évènements à forts enjeux, humains, sociaux, économiques... dont la prévision et donc l’anticipation le plus précocement possible, sont primordiales.

Connaître que de la bruine tombera le lendemain par 15°C est intéressant pour toutes sortes d’applications utilisant la météo, dont celles de Google, pour générer des informations surtout utiles aux régies.
Le coût de telles infrastructures est-il en rapport avec l’efficacité d’un système de prévisions ? S’il peut difficilement prédire les évènements à forts impacts...

De manière générale, les modèles IA obtiennent de meilleurs résultats sur du nowcasting [4]. Sur de plus longues échéances, les résultats sont variables en fonction des situations rencontrées. En revanche, les modèles physiques surpassent systématiquement les modèles IA sur la prévision des évènements extrêmes / inhabituels.

La plupart des centres météo mondiaux soutiennent le couplage physique / IA afin de combiner les avantages des deux.
Le coût global des infrastructures IA devrait s’inscrire dans la discussion.