Comment l'IA transforme la prévision météorologique : GraphCast, AIFS et GEML du Canada

Les agences météorologiques en Europe et en Amérique du Nord ont commencé à exécuter des modèles d'intelligence artificielle aux côtés de systèmes de prévision basés sur la physique datant de plusieurs décennies, et dans certains cas, combinant les deux. Le changement est motivé par la capacité de l'IA à produire une prévision mondiale de 10 jours en moins d'une minute sur un seul processeur, par rapport à des heures de temps de superordinateur pour la prévision numérique du temps traditionnelle, selon Google DeepMind et le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF).

Ce que GraphCast et AIFS font réellement

GraphCast, construit par Google DeepMind, est un modèle d'apprentissage automatique qui utilise des réseaux de neurones graphiques pour traiter les données météorologiques sur plus d'un million de points de grille couvrant la surface terrestre avec une résolution de 28 par 28 kilomètres. Il prend l'état atmosphérique d'il y a six heures et l'état actuel, puis prédit les six prochaines heures ; exécuter cette étape de manière répétée produit une prévision de 10 jours. Le modèle et ses résultats ont été publiés dans la revue Science le 14 novembre 2023, avec son code diffusé en tant que logiciel libre, selon l'annonce du Google DeepMind lui-même.

L'ECMWF a construit son propre système, le Système de prévision par intelligence artificielle (AIFS), qui est devenu opérationnel le 25 février 2025, fonctionnant aux côtés du Système intégré de prévision (IFS) traditionnel basé sur la physique du centre. L'AIFS utilise les mêmes données d'initialisation que l'IFS — environ 60 millions d'observations contrôlées de qualité provenant de satellites, d'aéronefs, de bouées et de stations terrestres collectées toutes les six heures — mais applique un modèle d'apprentissage automatique formé sur les régimes météorologiques historiques au lieu de résoudre directement les équations de physique, selon l'ECMWF.

Quelle est la précision des modèles d'IA, selon les organisations qui les ont construits

Google DeepMind a rapporté que GraphCast a produit des prévisions plus précises que la Prévision haute résolution (HRES) de l'ECMWF — décrite par la société comme l'étalon de l'industrie — sur plus de 90 % de 1 380 variables de test et délais de prévision, et sur 99,7 % des variables spécifiques à la troposphère, la couche de l'atmosphère où se produit la plupart des conditions météorologiques. DeepMind a également déclaré que GraphCast avait prédit l'arrivée de l'ouragan Lee en Nouvelle-Écosse neuf jours à l'avance.

L'ECMWF a rapporté que l'AIFS « surpasse les modèles de pointe basés sur la physique pour de nombreuses mesures, notamment les trajectoires des cyclones tropicaux, avec des gains allant jusqu'à 20 % », tout en utilisant environ 1 000 fois moins d'énergie par prévision que les méthodes conventionnelles.

L'approche hybride du Canada : l'IA guidant un modèle de physique

Environnement et changement climatique Canada a adopté une approche différente, en construisant un modèle d'IA canadien appelé Global Environmental eMuLator (GEML) sur la base du code open-source de GraphCast de DeepMind et en le formant sur les données météorologiques historiques du Canada. Plutôt que de remplacer le modèle basé sur la physique, l'agence combine les deux par une technique qu'elle appelle « spectral nudging » : le modèle traditionnel est doucement guidé vers l'état atmosphérique généré par GEML, tandis que les détails à plus petite échelle pertinents pour les conditions météorologiques extrêmes évoluent toujours en utilisant des équations physiques établies, selon l'annonce officielle de l'agence. Le système hybride est devenu opérationnel le 27 mai 2026, après plus d'un an de tests.

Environnement et changement climatique Canada a déclaré que les modèles d'IA peuvent surpasser les modèles informatiques traditionnels pour les régimes atmosphériques à grande échelle, ce qui compte le plus pour les délais de prévision plus longs, mais n'a pas publié de chiffre d'amélioration spécifique dans l'annonce.

Où l'IA est encore insuffisante

L'ECMWF et Environnement et changement climatique Canada ont tous deux signalé des limitations. L'AIFS de l'ECMWF fonctionne actuellement uniquement comme une seule prévision déterministe ; une version d'ensemble offrant 50 variantes de prévision, qui est standard pour évaluer l'incertitude des prévisions, est toujours en cours de développement, selon l'ECMWF. Environnement et changement climatique Canada a déclaré que, seuls, les modèles d'IA actuels ne prévoient qu'un nombre limité de variables, ce qui n'est pas suffisant pour une utilisation opérationnelle, et qu'ils lissent les détails atmosphériques à plus petite échelle de façons qui peuvent réduire la précision pour certains types de conditions météorologiques extrêmes — une raison pour laquelle l'agence a choisi une conception hybride plutôt qu'un système basé sur l'IA seule.