Début juin 2025, Google a présenté son modèle «Mether Lab», un système axé sur l’IA conçu pour prévoir la piste et l’intensité des cyclones tropicaux. Ce modèle fait partie de l’initiative plus large de Google Deepmind impliquant des modèles de recherche météorologique basés sur l’IA.
Lors de son dévoilement, le «Laboratoire de météo»Le modèle a rencontré l’optimisme prudent des météorologues. Google a déclaré que le modèle, formé à l’aide de nombreux ensembles de données qui ont reconstruit les conditions météorologiques historiques et une base de données spécialisée contenant des informations détaillées sur les pistes, l’intensité et la taille des ouragans, ont démontré des résultats prometteurs pendant les phases de test internes.
Selon un Google article de blog Sorti au moment du lancement du modèle, «Les tests internes montrent que les prédictions de notre modèle pour la piste et l’intensité du cyclone sont aussi précises que les méthodes basées sur la physique actuelles.» Cette déclaration a mis en évidence le potentiel de l’IA dans le dépassement des techniques de prévision traditionnelles.
Pour évaluer rigoureusement les capacités du modèle dans les scénarios du monde réel, Google a annoncé un partenariat avec le National Hurricane Center (NHC), une division de la National Oceanic and Atmospheric Administration (NOAA). Le NHC a une réputation de longue date de fournir des prévisions fiables. Cette collaboration visait à évaluer les performances du modèle de laboratoire météorologique de Google spécifiquement dans les bassins de l’Atlantique et du Pacifique oriental, les régions fréquemment touchées par les cyclones tropicaux.
La saison des ouragans de l’Atlantique 2025 a commencé relativement tranquillement, l’activité globale restant initialement en dessous des moyennes historiques. En conséquence, les opportunités de tester le nouveau modèle dans des conditions à haute pression ont été limitées au début de la saison. Cette période d’inactivité relative signifiait que le modèle de laboratoire météorologique n’a fait aucun défis important en temps réel immédiatement après ses débuts publics.
Une dizaine de jours avant la publication de l’article, l’ouragan Erin a subi une intensification rapide dans l’océan Atlantique ouvert. Cette intensification a transformé Erin en un ouragan de catégorie 5 alors qu’il se déplaçait vers l’ouest. Le développement rapide de la tempête et la trajectoire potentielle ont présenté un défi de prévision important.
Du point de vue des prévisions, il est devenu évident que l’ouragan Erin était peu susceptible d’avoir un impact direct sur le continent américain. Cependant, les météorologues ont surveillé étroitement les progrès de la tempête, accordant une attention particulière au potentiel d’effets indirects et à la possibilité d’un changement dans sa trajectoire. Les nuances subtiles des prévisions étaient cruciales.
Compte tenu de la taille considérable d’Erin, des préoccupations se sont présentées concernant sa proximité avec la côte est des États-Unis. On craignait que même sans terre directe, la tempête pourrait provoquer une érosion importante de la plage le long du littoral. L’impact potentiel de la tempête sur les Bermudes, une petite nation insulaire de l’Atlantique, était également un point de préoccupation focal au cours de cette période.
Au cours d’un événement de tempête actif, l’évaluation de la précision et de la fiabilité de divers modèles de prévision peut être difficile. Il est souvent difficile de déterminer immédiatement quel modèle fournit la représentation la plus précise du comportement futur de la tempête. Bien que les performances puissent être évaluées en temps réel, diverses incertitudes demeurent.
Une évaluation complète des performances du modèle ne peut être effectuée qu’après la dissipation de la tempête, permettant une analyse rétrospective des prévisions. Cette analyse post-tempête consiste à comparer la piste et l’intensité prévues avec le chemin et la résistance observés réels du cyclone tropical. Cette évaluation détaillée aide à identifier les modèles qui ont le plus fonctionné avec précision.
Avec la dissipation de l’ouragan Erin, une analyse approfondie des modèles de prévision est devenue possible. Cette analyse a révélé que, pour le cas de test le plus significatif de la saison de l’Atlantique à ce jour, le modèle de laboratoire météorologique de Google a démontré des performances supérieures dans la prévision de la piste et de l’intensité de la tempête dans un délai de 72 heures. Cette fenêtre de prévision de trois jours est vitale pour les efforts de préparation et de réponse.
Les données compilées par James Franklin, ancien chef de l’unité spécialisée des ouragans du National Hurricane Center, donne un aperçu des performances de divers modèles pendant l’ouragan Erin. Sur ces graphiques, le modèle de laboratoire météorologique de Google est identifié comme GDMI, permettant une comparaison directe avec d’autres systèmes de prévision.
En ce qui concerne les prévisions de piste, le modèle de Google a non seulement dépassé les prévisions officielles de piste émises par le National Hurricane Center, mais a également surperformé plusieurs modèles basés sur la physique. Ces modèles basés sur la physique comprenaient à la fois des systèmes de prévision mondiaux et ceux spécialement conçus pour la prédiction des ouragans. Les performances du modèle GDMI ont marqué une réalisation notable dans la précision de la prévision.
Un modèle basé sur la physique, également connu sous le nom de prédiction météorologique numérique, repose sur des équations mathématiques complexes pour simuler les processus atmosphériques. Ces modèles utilisent des conditions atmosphériques actuelles comme entrées initiales, puis appliquent des calculs intensifs pour prédire comment l’atmosphère évoluera avec le temps. Cette approche exige des ressources informatiques importantes mais a été la pierre angulaire des prévisions météorologiques.
Au cours du dernier quart de siècle, il y a eu une réduction substantielle des erreurs associées aux prévisions de piste des ouragans. Cette amélioration peut être attribuée aux progrès du matériel informatique, ce qui permet des simulations plus complexes et détaillées. La contribution est également une capacité améliorée à rassembler et à intégrer des données atmosphériques en temps réel dans les modèles, conduisant à des conditions initiales plus précises et à des prévisions plus fiables.
En termes de prévisions d’intensité, le modèle de Google a présenté des performances supérieures par rapport à d’autres modèles pour la période initiale de 72 heures. Sa précision à la marque de 48 heures était particulièrement remarquable, démontrant un avantage significatif dans la prévision de la force de la tempête pendant ce délai critique.
Les modèles TVCN et IVCN, affichés sur les graphiques, représentent respectivement les modèles de consensus pour la piste et l’intensité. Ces modèles sont étroitement surveillés par les prévisionnistes du centre des ouragans. Leur production, bien qu’elle ne soit généralement pas accessible au public, fournit une moyenne corrigée de biais des prédictions de certains des modèles individuels les plus performants. «Corrigé par le biais» indique que le logiciel ajuste les tendances de prévision connues dans divers modèles.
La capacité du modèle de Google à surpasser ces modèles de consensus est une réalisation significative, car ces prévisions de consensus sont conçues pour tirer parti des forces de plusieurs modèles tout en atténuant leurs faiblesses individuelles. Battre ces prévisions agrégées montre une avance importante de la capacité de prévision.
Du point de vue des prévisions pratiques, la plage de prévisions de trois à cinq jours est particulièrement importante. Ce délai prolongé est lorsque des décisions critiques concernant les évacuations et d’autres mesures de préparation aux ouragans doivent être prises pour permettre un temps suffisant pour la mise en œuvre. La précision des prévisions dans cette plage a un impact directement sur l’efficacité de ces actions de protection.
Par conséquent, l’amélioration des performances des modèles d’IA dans cette fenêtre de trois à cinq jours est un objectif clé. Bien que le modèle de laboratoire météorologique de Google se soit révélé prometteur dans les prévisions à court terme, l’amélioration de sa précision dans cette plage étendue augmenterait considérablement sa valeur pour la gestion des urgences et la sécurité publique.
La tendance globale indique que la modélisation météorologique de l’IA fait des progrès significatifs et continus. Alors que les prévisionnistes cherchent à améliorer les prévisions d’événements à fort impact tels que les ouragans, les modèles météorologiques basés sur l’IA deviennent des outils de plus en plus précieux dans leurs capacités de prévision. Ces modèles fournissent des informations supplémentaires et peuvent augmenter les méthodes de prévision traditionnelles.
Cela ne signifie pas que le modèle de Google surpassera constamment tous les autres modèles pour chaque tempête. En fait, un tel scénario est hautement improbable compte tenu de la nature complexe et variable des cyclones tropicaux. Cependant, la compétence démontrée du modèle de laboratoire météorologique mérite une attention et une considération accrues dans les efforts de prévision futurs.
Ces outils axés sur l’IA sont relativement nouveaux dans le domaine de la météorologie. Le laboratoire météorologique de Google, ainsi que quelques autres modèles météorologiques de l’IA, ont déjà atteint un niveau de compétence comparable aux meilleurs modèles basés sur la physique dans une période relativement courte. Ce progrès rapide suggère que l’IA a le potentiel de révolutionner les prévisions météorologiques.
Si ces modèles continuent de s’améliorer à leur rythme actuel, ils pourraient potentiellement devenir l’étalon-or pour certains types de prédiction météorologique. La capacité de l’IA à apprendre de vastes ensembles de données et à identifier des modèles complexes pourrait conduire à des prévisions plus précises et fiables, améliorant finalement notre capacité à se préparer et à répondre à de graves événements météorologiques.
