Les modèles climatiques traditionnels restent supérieurs pour prévoir les événements météo extrêmes

Les modèles climatiques utilisant l'intelligence artificielle (IA) peinent à anticiper les événements météorologiques record avec autant de précision que les modèles traditionnels, selon une étude publiée dans Science Advances. Si les modèles d'IA ont démontré une supériorité pour certaines prévisions météorologiques, ils restent en retrait face aux phénomènes extrêmes inédits.

Des résultats décevants pour les modèles d'IA

Les chercheurs ont évalué la capacité des modèles d'IA et des modèles traditionnels à simuler des milliers d'événements records de chaleur, de froid et de vent survenus en 2018 et 2020. Les résultats sont sans appel : les modèles d'IA sous-estiment à la fois la fréquence et l'intensité de ces événements extrêmes.

Un auteur de l'étude, cité par Carbon Brief, met en garde contre un remplacement trop rapide des modèles traditionnels par l'IA pour les prévisions météorologiques. Pour lui, cette analyse constitue un « signal d'alerte ».

L'importance cruciale des prévisions météorologiques

Les événements météorologiques extrêmes, tels que les inondations, les vagues de chaleur ou les tempêtes, causent chaque année des centaines de milliards de dollars de dégâts. Ils détruisent les cultures, endommagent les infrastructures et menacent des vies humaines. De nombreux gouvernements ont mis en place des systèmes d'alerte précoce pour alerter la population et mobiliser les équipes de secours. Ces dispositifs ont prouvé leur efficacité en réduisant les pertes et en sauvant des vies.

Les modèles traditionnels, fondés sur la physique

Depuis des décennies, les scientifiques s'appuient sur des modèles de prévision numérique pour simuler le temps à l'avance, sur plusieurs jours ou semaines. Ces modèles reposent sur des équations complexes reproduisant les processus atmosphériques et océaniques. Ces équations sont ancrées dans les lois fondamentales de la physique, fruit de décennies de recherche en sciences du climat. On les qualifie donc de « modèles basés sur la physique ».

L'essor des modèles d'IA

Les modèles climatiques basés sur l'IA gagnent en popularité comme alternative aux modèles traditionnels. Contrairement à ces derniers, ils n'utilisent pas la physique, mais une approche statistique. Les scientifiques leur soumettent un large volume de données météorologiques historiques, appelé « données d'entraînement ». Le modèle apprend ainsi à reconnaître des schémas et à formuler des prévisions. Pour produire une nouvelle prévision, l'IA s'appuie sur cette base de connaissances et reproduit les schémas qu'elle a identifiés.

Les avantages des modèles d'IA sont nombreux. Ils consomment moins de puissance de calcul, car ils n'ont pas à exécuter des milliers d'équations mathématiques. De plus, plusieurs études ont montré qu'ils surpassent les modèles traditionnels pour certaines prévisions météorologiques.

Les limites des modèles d'IA face aux événements inédits

Cependant, ces modèles présentent aussi des inconvénients majeurs. Le professeur Sebastian Engelke, co-auteur de l'étude et chercheur à l'Institut de statistique et de science de l'information de l'Université de Genève, explique à Carbon Brief que les modèles d'IA « dépendent fortement des données d'entraînement » et sont « relativement limités à la plage de ces données ». En d'autres termes, ils peinent à simuler des schémas météorologiques totalement nouveaux. Ils tendent plutôt à prévoir des événements d'une intensité similaire à ceux déjà observés.

Cette limitation soulève une question cruciale : les modèles d'IA peuvent-ils simuler des événements extrêmes sans précédent, qui, par définition, n'ont jamais été observés auparavant ?

Des événements extrêmes de plus en plus fréquents

Avec le réchauffement climatique, les événements météorologiques extrêmes deviennent plus intenses et plus fréquents. Les records « fracassants », c'est-à-dire ceux qui battent les précédents de manière spectaculaire, sont particulièrement préoccupants. Ces phénomènes, par leur nature même, échappent aux schémas historiques sur lesquels s'appuient les modèles d'IA.

« Les modèles d'IA ont besoin de données historiques pour fonctionner. Or, les événements record, par définition, n'ont pas de précédent. C'est là que leur faiblesse se révèle. »