WeatherNext : IA améliorant les prévisions de cyclone

Cinq jours avant que l'ouragan Melissa ne touche terre en Jamaïque, une seule prévision a signalé une escalade brutale : un cyclone de catégorie 5 en approche, alors que Melissa était de catégorie 1 à ce moment-là. Les météorologues étaient divisés. Le modèle, lui, ne l'était pas.

Ce modèle est WeatherNext, une collaboration entre Google DeepMind et Google Research, conçue avec l'apport d'institutions internationales telles que le National Hurricane Center des États-Unis et le Met Office du Royaume-Uni. Il a été publié en logiciel open-source, entraîné sur près de 20 téraoctets de données atmosphériques mondiales ainsi que sur des décennies d'archives climatiques issues de référentiels internationaux. Le résultat est un système d'IA qui considère la trajectoire d'un cyclone et sa puissance brute comme un seul et même puzzle lié.

Pourquoi est-ce important ? Parce que la prévision de la trajectoire d'une tempête et celle de son intensité sont généralement réalisées par des équipes différentes utilisant des modèles distincts. L'une analyse les vents à l'échelle planétaire pour tracer une route. L'autre se concentre sur l'œil de la tempête pour modéliser la thermodynamique et les processus à petite échelle. Rassembler ces deux volets a été un casse-tête persistant. WeatherNext les fusionne.

Le gain pratique est immédiat. Sur le matériel de traitement neuronal de Google, une prévision complète sur 15 jours est produite en moins de 60 secondes. Une réactivité aussi rapide permet de générer de vastes ensembles, non pas un résultat déterministe unique mais des centaines ou des milliers de futurs plausibles, et de les traduire en cartes d'aléas probabilistes exploitables par les gestionnaires d'urgence.

WeatherNext ne promet pas la certitude. Il échange l'illusion de certitude contre un spectre de possibilités. C'est délibéré. Pour maîtriser l'effet papillon, où de petites erreurs de mesure se gonflent en grandes divergences de prévision, le modèle construit désormais jusqu'à 1 000 scénarios simultanés pour chaque tempête. C'est un saut spectaculaire par rapport aux ensembles d'environ 50 scénarios de l'année dernière, et cela change la façon dont les prévisionnistes interprètent le risque.

Un jour supplémentaire d'alerte fiable n'est pas abstrait : il offre du temps pour les évacuations, la logistique et les décisions salvatrices.

Les tests opérationnels racontent une histoire évocatrice. Lors de Melissa, quand les systèmes conventionnels divergeaient sur la trajectoire, WeatherNext a indiqué avec environ 80 % de confiance que le cyclone s'intensifierait et frapperait la Jamaïque en tant que tempête majeure plusieurs jours avant son passage à terre. Ce type de prévision intégrée et précoce convertit l'incertitude en planification concrète.

Il y a des subtilités techniques. Le modèle combine le contexte dynamique à l'échelle mondiale avec les facteurs locaux d'intensité en utilisant des architectures d'apprentissage automatique optimisées sur d'immenses archives historiques. Il produit ensuite des distributions probabilistes tant pour la position que pour la puissance, permettant aux prévisionnistes d'estimer non seulement où une tempête pourrait se diriger, mais aussi à quel point elle pourrait être violente à son arrivée.

Les éditeurs et les réviseurs par les pairs ont pris note : la recherche est publiée dans Nature, et l'équipe a rendu le code et les poids du modèle open-source sur GitHub, invitant à la validation indépendante et à des expérimentations opérationnelles par les services météorologiques nationaux, les groupes académiques et les ONG. Cette ouverture pourrait accélérer les améliorations et favoriser un ajustement spécifique aux régions lorsque les données et les besoins varient.

WeatherNext remplacera-t-il les modèles traditionnels ? Pas du jour au lendemain. La prévision numérique du temps reste la base de la plupart des prévisions. Mais combiner ce socle à des ensembles pilotés par l'IA et à la rapidité change le flux de travail. Les planificateurs d'urgence obtiennent des avertissements plus précoces et plus nuancés. Les chercheurs disposent d'une plateforme commune pour analyser les modes de défaillance et les biais. Les communautés gagnent du temps, et parfois cela fait la différence entre des perturbations et une catastrophe.

Surveillez le référentiel. Surveillez les prévisions. La saison prochaine montrera si ce mélange d'échelle, de rapidité et de raisonnement probabiliste devient la nouvelle norme pour la prévision des cyclones.