Les modèles météorologiques traditionnels restent supérieurs à l'IA pour les phénomènes extrêmes

L'IA peine à anticiper les événements météorologiques extrêmes

L'intelligence artificielle (IA) est souvent présentée comme la solution d'avenir pour la prévision météorologique, promettant rapidité et précision. Cependant, une étude récente publiée dans Science révèle un défaut majeur : les modèles d'IA échouent fréquemment à prédire les phénomènes météorologiques extrêmes.

Les modèles traditionnels, basés sur la physique, conservent une meilleure performance dans ces situations critiques. « Ils excellent sur de nombreuses tâches, mais pour les événements extrêmement rares — les plus importants pour la société — ils restent limités », explique Sebastian Engelke, professeur de statistiques à l'Université de Genève et coauteur de l'étude.

Des lacunes face aux records climatiques

L'étude a comparé des modèles d'IA de pointe, comme GraphCast et Pangu-Weather, à une base de données d'événements extrêmes récents. Résultat : pour des vagues de chaleur historiques, comme celle de Sibérie en 2020 — ayant provoqué des incendies et la fonte du permafrost — les prédictions de l'IA sous-estiment systématiquement les températures élevées.

Ces modèles peinent également à anticiper les vents violents ou les vagues de froid record. Leur faiblesse ? Ils s'appuient sur des décennies de données passées pour apprendre. « Ils cherchent à établir un lien empirique : si aujourd'hui le temps est de tel type, quel sera-t-il demain ? », précise Engelke. « Or, les événements extrêmes, surtout les records, n'ont pas d'équivalent dans le passé. Le manque de données d'entraînement les rend quasi incapables de les prévoir. »

Une amélioration partielle, mais des limites persistantes

Les modèles testés dans l'étude ont été évalués il y a un an et ont depuis progressé. Certains intègrent désormais des approches probabilistes, simulant plusieurs scénarios pour gagner en précision. Pourtant, le problème fondamental persiste : leur dépendance aux données historiques.

Les modèles traditionnels, eux, reposent sur des équations mathématiques complexes simulant le monde physique. Ils s'adaptent mieux aux nouvelles conditions, même si leur précision reste perfectible pour les extrêmes.

L'IA performante pour les situations « normales »

En revanche, pour les prévisions météorologiques classiques ou les événements extrêmes mais proches des normes historiques, l'IA surpasse souvent les modèles traditionnels. Par exemple, le modèle Atlas d'Nvidia, lancé cette année, a démontré sa capacité à prédire des cyclones non inclus dans ses données d'entraînement, comme la tempête Dennis au Royaume-Uni en 2020.

« En visualisant l'intensité des vents et les gradients de pression, on voit clairement que le modèle a capté des événements venteux intenses et des cyclones dévastateurs », souligne Mike Pritchard, directeur de la recherche en simulation climatique chez Nvidia.

Une complémentarité déjà en place

Les modèles d'IA sont d'ores et déjà utilisés en parallèle des approches traditionnelles par les agences météorologiques, les entreprises spécialisées comme The Weather Company, et les assureurs. Des pistes d'amélioration sont explorées, comme l'intégration de scénarios hypothétiques de records climatiques dans les jeux de données d'entraînement.

Pour l'instant, aucune solution ne remplace totalement les modèles physiques pour les extrêmes. La combinaison des deux approches semble donc la voie la plus prometteuse pour renforcer la fiabilité des prévisions.

Pourquoi cette étude est-elle cruciale ?

• Sécurité publique : Les événements extrêmes, comme les canicules ou les tempêtes, menacent des vies et des infrastructures. Une prévision fiable est essentielle pour les alertes précoces.
• Adaptation climatique : Avec le réchauffement, ces phénomènes deviennent plus fréquents et intenses. Comprendre leurs limites actuelles permet d'ajuster les stratégies de prévention.
• Innovation technologique : Les résultats soulignent la nécessité de repenser l'entraînement des modèles d'IA pour inclure des données plus variées et des scénarios inédits.