Prévisions opérationnelles de cyclones tropicaux avec IA

Un nouveau système d'intelligence artificielle a été déployé pour la prévision opérationnelle des cyclones tropicaux, offrant une précision et des délais améliorés par rapport aux modèles existants. Développé par des chercheurs, y compris des scientifiques de Google DeepMind, de l'Administration nationale océanique et atmosphérique (NOAA) et de plusieurs institutions académiques, le système appelé WeatherNext Cyclones (WN-C) fournit des prévisions d'ensemble avancées pour le suivi, l'intensité et la taille des cyclones tropicaux dans le monde. Selon l'étude publiée dans Nature, les performances du modèle démontrent une amélioration mesurable de la prédiction du comportement des cyclones, améliorant potentiellement les systèmes d'alerte précoce et les efforts de préparation aux catastrophes.

L'équipe de recherche a formé WN-C en utilisant une combinaison de données d'analyse globale et une base de données complète de cyclones tropicaux historiques couvrant des décennies. Cette formation a permis au modèle de générer de grands ensembles de scénarios météorologiques potentiels, s'étendant jusqu'à 15 jours à l'avance. Lorsqu'il a été testé contre des cyclones du monde réel de 2023 à 2025, le modèle a montré un avantage moyen d'un jour ou plus par rapport aux modèles de prévision opérationnels actuels. Les améliorations de précision ont été décrites comme comparables aux progrès réalisés en météorologie opérationnelle au cours de la dernière décennie.

Contrairement aux modèles traditionnels à haute résolution, WN-C fonctionne efficacement avec des données d'entrée qui sont nettement plus grossières dans les détails. Les chercheurs ont noté que cela suggère que les données à haute résolution ne sont pas toujours essentielles pour une prévision précise de l'intensité. De plus, ils ont constaté que les données atmosphériques plus grossières utilisées par WN-C contenaient des signaux plus pertinents liés à l'intensité des cyclones que ce qui était auparavant supposé.

La conception du modèle permet des ensembles évolutifs de jusqu'à 1 000 membres, ce qui est beaucoup plus grand que les ensembles typiques de 50 membres utilisés dans les prévisions conventionnelles. Des ensembles plus grands permettent une meilleure représentation des événements météorologiques rares et extrêmes, améliorant la fiabilité des prévisions à long terme. Le développement de WN-C implique une collaboration entre plusieurs organisations, y compris Google DeepMind basé à Londres, l'Université de Waterloo au Canada, Google Research aux États-Unis, le Centre national des ouragans de la NOAA en Floride et l'Institut coopératif de recherche sur l'atmosphère de l'Université d'État du Colorado.

Les principaux contributeurs incluent Ferran Alet, Tom R. Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi et Dominic Masters de Google DeepMind, ainsi que Wallace Hogsett, David Zelinsky, John Cangialosi et Jonathan Martinez de la NOAA, et James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain et Helen Titley d'autres institutions. Les résultats mettent en évidence le rôle croissant de l'intelligence artificielle dans l'avancement des technologies de prévision météorologique. Bien que l'étude reconnaisse la nécessité d'une validation et d'une intégration supplémentaires dans les pratiques de prévision opérationnelle, elle souligne le potentiel des modèles basés sur l'IA pour compléter et améliorer l'expertise humaine en prévision météorologique.

La capacité de WN-C à fournir des conseils détaillés aux prévisionnistes humains marque un changement significatif vers des prévisions météorologiques plus fiables et opportunes, ce qui pourrait finalement aider à réduire les risques associés aux cyclones tropicaux.

Au fur et à mesure que le modèle se rapproche du déploiement opérationnel, les météorologues et les climatologues devraient mener des évaluations approfondies pour évaluer son efficacité dans des conditions variables.