GraphCast et GenCast, l’IA qui affine les prévisions de tempêtes à 15 jours

Lorsqu’une tempête menace, quelques heures d’avance peuvent changer beaucoup de choses : fermer une route exposée, mettre des équipes de secours en alerte, protéger une installation électrique ou demander à la population d’éviter un secteur inondable. C’est dans cette course contre le temps que l’intelligence artificielle s’invite désormais. En avril 2025, les modèles GraphCast et GenCast, développés par Google DeepMind, incarnent l’une des évolutions les plus suivies de la prévision météorologique.

Leur promesse mérite toutefois d’être formulée avec précision. Ils ne savent pas annoncer à coup sûr une tempête particulière, à un endroit donné, plusieurs semaines avant son arrivée. Ils calculent plutôt l’évolution probable de l’atmosphère à partir d’immenses volumes de données. Leur intérêt tient à la rapidité de ces calculs, à leur précision mesurée dans des comparaisons scientifiques et, pour GenCast, à leur capacité à présenter plusieurs futurs plausibles plutôt qu’une seule prévision.

Ce qui est réellement annoncé en avril 2025

L’expression « l’IA prédit les tempêtes à venir » peut donner l’impression qu’un danger précis vient d’être identifié. Or, les éléments disponibles portent sur des outils de prévision, pas sur l’annonce d’une tempête datée et localisée. Ni GraphCast ni GenCast ne remplacent les bulletins et les vigilances diffusés par les services météorologiques compétents.

Le progrès est néanmoins important. La météo moderne repose traditionnellement sur des modèles numériques : des supercalculateurs résolvent, étape après étape, des équations décrivant les mouvements de l’air, la température, l’humidité, la pression ou encore les précipitations. Ces méthodes physiques restent la référence opérationnelle. Mais elles sont coûteuses en calcul et doivent composer avec une atmosphère extraordinairement complexe.

Les modèles d’IA abordent une partie du problème autrement. Ils apprennent les régularités observées dans des archives météorologiques et reçoivent un état initial de l’atmosphère. Ils proposent ensuite l’état le plus probable pour les heures et les jours suivants. Cette approche ne fait pas disparaître la physique de l’atmosphère : elle utilise les données produites par des décennies d’observations, de réanalyses et de simulations météorologiques.

Comment GraphCast modélise l’atmosphère

Présenté par Google DeepMind en 2023, GraphCast est un modèle d’IA de prévision mondiale à moyen terme. Son nom vient de sa manière de représenter le globe sous la forme d’un réseau de points reliés entre eux, ce qui aide le système à prendre en compte les échanges entre des zones voisines, y compris à grande distance.

À partir de données atmosphériques initiales, GraphCast peut générer des prévisions à intervalles de six heures, jusqu’à dix jours. Il estime notamment des variables essentielles à la compréhension du temps qu’il fera : pression atmosphérique, température, vent, humidité et précipitations. C’est la combinaison de ces paramètres qui permet ensuite à des spécialistes d’identifier une dépression, un front actif, une masse d’air chaud ou des conditions favorables à de fortes pluies.

L’un des atouts souvent mis en avant est sa vitesse. Une fois le modèle entraîné, produire une prévision demande bien moins de calculs qu’une simulation numérique classique très détaillée. Cette économie de temps peut permettre de tester davantage de situations ou d’obtenir rapidement une première vision de l’évolution météorologique.

Google DeepMind a comparé GraphCast au modèle déterministe de référence HRES du Centre européen pour les prévisions météorologiques à moyen terme, souvent appelé ECMWF. Dans l’évaluation publiée avec le modèle, GraphCast faisait mieux sur plus de 90 % des 1 380 variables de prévision examinées. Ce résultat est marquant, mais il doit être lu correctement : il s’agit d’une comparaison selon des critères définis, sur des données et des échéances données. Il ne signifie pas que chaque situation locale, chaque orage ou chaque rafale est mieux prédit par l’IA.

GenCast : pourquoi plusieurs scénarios valent mieux qu’une seule réponse

GraphCast fournit essentiellement une trajectoire météo centrale. GenCast, présenté par Google DeepMind en décembre 2024, répond à une autre nécessité : dans la vraie vie, les prévisionnistes ont besoin de connaître non seulement le scénario le plus probable, mais aussi son degré d’incertitude.

Un système probabiliste ne se contente donc pas d’affirmer qu’il pleuvra ou qu’une tempête passera à tel endroit. Il produit un ensemble de simulations cohérentes. Si une grande partie de ces scénarios fait apparaître de très fortes pluies sur une même zone, le risque devient plus préoccupant. S’ils divergent fortement, les experts savent que la situation reste incertaine et qu’elle doit être suivie de près.

GenCast vise des prévisions allant jusqu’à quinze jours. Google DeepMind indique qu’il a dépassé le système d’ensemble ENS de l’ECMWF sur 97,2 % de 1 320 cibles de vérification dans son évaluation. Le modèle peut également générer un ensemble de prévisions bien plus rapidement que les approches numériques traditionnelles, une caractéristique utile lorsque le temps manque.

Peut-on prévoir une tempête avec certitude ?

Non. Même les meilleurs modèles ne transforment pas la météorologie en science exacte. Une tempête résulte d’interactions entre l’océan, les masses d’air, le relief, l’humidité et les vents à différentes altitudes. Une petite erreur dans l’état initial de l’atmosphère peut modifier sensiblement une trajectoire ou l’intensité d’un phénomène plusieurs jours plus tard.

Cette limite est particulièrement sensible pour les phénomènes locaux. Un modèle mondial à la résolution de plusieurs dizaines de kilomètres peut très bien identifier un environnement favorable à des pluies abondantes sur une région, sans pouvoir indiquer avec une précision parfaite quelle commune recevra le plus fort cumul. Pour les orages violents, les crues soudaines ou les rafales les plus localisées, les observations radar, les satellites et les modèles à plus fine échelle demeurent indispensables.

Les prévisions doivent aussi être distinguées des conséquences. Savoir qu’une forte pluie est probable ne permet pas, à lui seul, de déduire l’ampleur d’une inondation. Il faut y ajouter l’état des sols, le niveau des cours d’eau, l’urbanisation, la topographie, le drainage et la vulnérabilité des habitants. L’IA peut améliorer une pièce du puzzle, pas remplacer toute la chaîne de décision.

Images satellites et risques d’inondation : attention à la nature des images

La publication d’origine évoque également un outil d’IA capable de produire des images satellites réalistes afin de mieux visualiser certaines menaces, notamment les inondations. L’idée est intéressante : une image ou une carte synthétique peut aider à représenter l’étendue possible d’une zone touchée et à préparer les mesures de prévention.

Mais une précaution est essentielle. Une image générée par IA, même très réaliste, n’est pas une photographie prise par un satellite. Elle peut être une simulation fondée sur des données météorologiques, topographiques ou historiques. Son usage est pertinent si son statut est clairement indiqué, si les données d’entrée sont fiables et si elle est confrontée à des observations réelles.

Sans cette transparence, le risque est double. Une visualisation trop impressionnante peut créer une panique injustifiée. À l’inverse, une image rassurante mais incomplète peut conduire à sous-estimer le danger. Dans la gestion de crise, les cartes et les images ne sont utiles que si les décideurs savent ce qu’elles représentent exactement, avec quelles hypothèses et quelles marges d’erreur.

Pourquoi les météorologues restent au centre du dispositif

L’arrivée de GraphCast et de GenCast ne signe pas l’effacement des météorologues. Elle transforme leur travail. Les spécialistes doivent comparer les sorties de différents modèles, repérer leurs divergences, examiner les observations les plus récentes et traduire une information scientifique complexe en conseils concrets.

Cette médiation humaine devient même plus importante lorsqu’un modèle fournit de nombreux scénarios. Une probabilité de fortes pluies n’a pas le même sens selon que l’on se trouve en zone montagneuse, dans un bassin déjà saturé d’eau ou dans une grande ville aux sols imperméabilisés. Les services météorologiques et les organismes de protection civile sont chargés de relier l’aléa atmosphérique à ses conséquences possibles.

La communication est un autre enjeu. Une alerte doit être suffisamment précoce pour permettre de se préparer, mais suffisamment précise pour rester crédible. Elle doit expliquer ce qui est probable, ce qui demeure incertain et les comportements à adopter. Présenter l’IA comme une oracle infaillible serait contre-productif : les prévisions sont des aides à la décision, pas des certitudes absolues.

Les enjeux de fiabilité, d’accès et de responsabilité

L’intégration de l’IA en météorologie soulève des questions pratiques et éthiques. La première est celle de la vérification indépendante. Des résultats de benchmark prometteurs doivent être reproduits, testés dans des contextes variés et confrontés aux besoins des services qui émettent réellement les prévisions et les alertes.

La deuxième concerne l’accès aux moyens techniques. En théorie, des modèles plus rapides peuvent rendre des prévisions de qualité plus accessibles. En pratique, ils dépendent de données météorologiques solides, de capacités de calcul et de compétences spécialisées. Or, les régions les plus vulnérables aux événements extrêmes ne disposent pas toutes des mêmes infrastructures d’observation et de diffusion des alertes.

Enfin, la responsabilité ne peut pas être déléguée à un algorithme. Si une prévision est mal comprise ou si une alerte tarde à parvenir à la population, la question n’est pas seulement technique. Elle concerne l’organisation des institutions, les procédures de sécurité et la qualité de l’information publique.

Ce qu’il faut surveiller

À court terme, le point décisif sera l’intégration réelle de ces modèles dans les chaînes de prévision. Il ne suffit pas qu’un système soit performant dans une étude : il doit fonctionner de façon robuste, recevoir des données fiables, être évalué en continu et compléter les outils déjà employés par les prévisionnistes.

Il faudra aussi observer leur performance face aux événements rares et destructeurs. Les canicules, tempêtes, pluies extrêmes et inondations sont précisément les phénomènes pour lesquels la société a le plus besoin d’anticipation, mais aussi ceux où l’incertitude peut rester élevée. Les modèles probabilistes comme GenCast sont intéressants parce qu’ils rendent cette incertitude visible plutôt que de la masquer derrière une réponse unique.

L’IA ouvre donc une perspective concrète : gagner du temps dans la compréhension d’une situation météorologique qui évolue vite. Sa valeur ne se mesurera pas seulement à ses scores techniques, mais à sa capacité à aider les scientifiques, les autorités et les habitants à prendre de meilleures décisions face aux risques climatiques.