GraphCast : l’IA de Google DeepMind qui bouscule la prévision météo mondiale

Prévoir le temps qu’il fera dans dix jours suppose habituellement de faire tourner pendant des heures des équations physiques sur de puissants supercalculateurs. Avec GraphCast, Google DeepMind propose une autre voie : une intelligence artificielle entraînée sur l’histoire récente de l’atmosphère, capable de livrer en moins d’une minute une projection mondiale couvrant les dix jours à venir. Publiés en novembre 2023, ses résultats placent l’IA parmi les outils les plus prometteurs de la météorologie moderne.

L’annonce ne veut pas dire que les équations de la physique vont disparaître des centres de prévision. Elle montre plutôt qu’un modèle qui apprend les régularités présentes dans des décennies de données peut rivaliser, et souvent faire mieux, qu’une référence numérique opérationnelle pour de nombreux indicateurs. À l’heure où les épisodes météorologiques extrêmes renforcent le besoin d’anticipation, cette avancée intéresse autant les chercheurs que les services chargés d’alerter les populations.

GraphCast, une autre façon de prévoir l’atmosphère

Les prévisions météo classiques reposent sur une idée simple, mais extraordinairement complexe à calculer : partir de l’état actuel de l’atmosphère et appliquer les lois de la physique. Température, pression, humidité, vents et interactions avec les océans sont représentés par des équations. Les observations disponibles sont d’abord combinées pour produire une photographie aussi fidèle que possible de l’atmosphère, puis un modèle numérique calcule son évolution.

GraphCast ne résout pas directement ces équations. Le système est dit fondé sur les données : il a été entraîné à reconnaître, dans les archives météorologiques, les liens entre un état de l’atmosphère et celui qui lui succède. Il ne s’agit donc pas d’une simple collecte brute de relevés de satellites ou de radars. Son apprentissage s’appuie principalement sur ERA5, une réanalyse météorologique qui reconstitue l’état de l’atmosphère mondiale en combinant des observations avec un modèle physique.

Cette distinction compte. Une réanalyse offre un jeu de données cohérent sur le long terme, là où les capteurs, les satellites et les méthodes de mesure ont évolué au fil des décennies. GraphCast y recherche des structures répétées : comment une configuration de vents, de températures et de pressions tend à se transformer quelques heures plus tard.

Comment GraphCast produit-il une prévision à dix jours ?

Le modèle reçoit deux états récents de l’atmosphère séparés de six heures. À partir de ces informations, il calcule l’état attendu six heures plus tard. Cette première sortie est ensuite réinjectée dans le système pour obtenir l’étape suivante, et ainsi de suite jusqu’à atteindre dix jours. C’est ce mécanisme d’itération qui permet de transformer une prévision à court terme en une projection à moyen terme.

Sous le capot, GraphCast utilise un réseau de neurones dit « graphique ». Plutôt que de considérer la Terre comme une simple image plate découpée en pixels, cette architecture représente les liens entre de multiples points répartis sur le globe. C’est une approche adaptée à la circulation atmosphérique : les masses d’air ne s’arrêtent pas aux frontières d’une carte, et les effets locaux dépendent souvent de phénomènes situés très loin.

Le modèle doit prédire un grand nombre de données simultanément. Il ne s’intéresse pas uniquement à la température ressentie dans une ville ou à la présence de pluie dans une rue. Il estime notamment des champs de pression, de température, d’humidité et de vent, à la surface comme à différentes altitudes. Ces paramètres décrivent l’état global de l’atmosphère, dont sont ensuite déduits de nombreux éléments utiles aux prévisionnistes.

L’approche n’est pas pour autant dépourvue de physique. Les lois physiques ne sont pas codées explicitement dans chaque étape de calcul comme elles le sont dans un modèle numérique traditionnel. Mais les régularités physiques de l’atmosphère sont présentes dans les données sur lesquelles l’IA a appris. Toute la question est alors de savoir si cette expérience statistique reste fiable lorsque l’atmosphère sort des configurations connues.

Des résultats qui dépassent souvent la référence HRES

Pour mesurer la qualité de GraphCast, Google DeepMind l’a comparé à HRES, le système déterministe à haute résolution du Centre européen pour les prévisions météorologiques à moyen terme, ou ECMWF. HRES constitue une référence internationale de la prévision globale : il s’agit précisément du type de modèle numérique qui sert à alimenter de nombreux services météorologiques.

Le résultat mis en avant est marquant : sur 1 380 cibles de vérification, GraphCast fait mieux que HRES dans plus de 90 % des cas. Ces cibles combinent différentes variables, altitudes, délais de prévision et régions du globe. Pour les variables étudiées dans la troposphère, la partie basse de l’atmosphère où se déroule l’essentiel de la météo qui nous concerne, le modèle dépasse HRES dans 99,7 % des cibles considérées.

Ces chiffres ne doivent toutefois pas être lus comme un verdict absolu sur toute la météo. Ils proviennent d’un protocole précis, fondé sur des prévisions rétrospectives évaluées à partir des données de 2019. Une supériorité moyenne sur une batterie de mesures ne garantit pas qu’un modèle sera meilleur sur chaque averse locale, chaque rafale ou chaque situation rare. Elle ne suffit pas non plus à établir, à elle seule, sa capacité à produire des alertes fiables pour la sécurité civile.

L’étude souligne aussi les performances de GraphCast pour prévoir la trajectoire des cyclones tropicaux. Ces phénomènes sont particulièrement sensibles aux petites erreurs de position ou d’intensité, qui peuvent s’amplifier à mesure que l’échéance s’éloigne. Gagner en précision plusieurs jours avant l’arrivée potentielle d’une tempête peut donner davantage de temps aux autorités et aux habitants pour se préparer.

Pourquoi la vitesse de calcul peut changer la donne

L’autre atout de GraphCast est sa sobriété de calcul au moment de produire une prévision. Google DeepMind indique qu’une prévision mondiale à dix jours peut être générée en moins d’une minute sur une machine TPU, un processeur spécialisé dans l’intelligence artificielle. Un modèle numérique de référence exige, lui, plusieurs heures de calcul sur un supercalculateur.

Cette rapidité ne rend pas les supercalculateurs inutiles. Ils restent nécessaires pour les modèles physiques, l’assimilation des nouvelles observations et de nombreuses simulations détaillées. Elle ouvre néanmoins des possibilités concrètes : générer plus vite des scénarios, tester de nombreuses conditions initiales ou mettre des prévisions globales à la disposition d’organismes qui ne possèdent pas les moyens de calcul des grands centres météorologiques.

La vitesse a aussi une importance scientifique. Les prévisions opérationnelles ne se limitent pas à une seule trajectoire possible du temps. Les météorologues recourent fréquemment à des ensembles de simulations, c’est-à-dire plusieurs prévisions réalisées avec des conditions légèrement différentes. L’écart entre ces scénarios permet d’estimer l’incertitude. Un système d’IA rapide pourrait, à terme, aider à produire davantage de scénarios, à condition que sa fiabilité soit démontrée dans cet usage.

L’IA peut-elle remplacer les météorologues ?

La réponse est non, du moins pas avec GraphCast tel qu’il est présenté en novembre 2023. Le modèle fournit une prévision déterministe, c’est-à-dire une estimation principale de l’évolution de l’atmosphère. Or les professionnels de la météo doivent également expliquer le niveau de confiance associé à cette estimation, confronter plusieurs signaux et traduire une situation mondiale en conséquences locales : risque d’inondation, état des routes, vents dangereux, vagues de chaleur ou besoins des agriculteurs.

Les phénomènes extrêmes posent un défi particulier aux modèles fondés sur les données. Une IA apprend surtout de ce qu’elle a déjà vu. Or le changement climatique modifie progressivement certaines statistiques météorologiques et favorise des situations qui peuvent être inhabituelles dans les archives historiques. Cela ne condamne pas l’approche, mais impose une évaluation continue sur des épisodes récents et sur les cas les plus rares.

Il faut aussi rappeler que la précision globale ne se traduit pas automatiquement en précision locale. Une grille d’environ 28 km à l’équateur ne décrit pas directement les effets d’une vallée, d’un relief, du littoral ou de l’îlot de chaleur d’une grande ville. Les services météorologiques utilisent donc des modèles plus fins, des radars et des observations au sol pour affiner les prévisions à courte échéance.

La perspective la plus crédible est celle d’une complémentarité. Les modèles physiques apportent des mécanismes explicables, une représentation directe des lois de l’atmosphère et des outils éprouvés pour quantifier l’incertitude. Les modèles d’IA peuvent apprendre rapidement des régularités complexes et réduire fortement le coût du calcul. Les confronter et les associer pourrait améliorer la prévision sans sacrifier la capacité à en expliquer les raisons.

De DeepMind aux sciences du climat

Fondée en 2010 puis rachetée par Google en 2014, DeepMind s’est d’abord fait connaître avec des programmes capables d’apprendre à jouer à des jeux Atari, puis avec AlphaGo, qui a marqué l’histoire du jeu de go. Le principe général est proche de celui mobilisé pour GraphCast : traiter de vastes quantités de données, repérer des régularités et transformer cet apprentissage en prédictions ou en décisions.

L’application aux sciences est toutefois d’une autre nature que la performance dans un jeu. Une erreur de prévision météorologique peut avoir des conséquences économiques et humaines. C’est pourquoi les performances annoncées doivent être vérifiées, reproduites et intégrées avec prudence dans des chaînes de décision existantes. La publication des travaux de GraphCast dans une revue scientifique et la mise à disposition de son code constituent des étapes importantes, sans dispenser d’une validation en conditions opérationnelles.

Ce qu’il faut surveiller

La question décisive des prochains mois sera moins de savoir si GraphCast est « meilleur » que les modèles historiques dans l’absolu que de comprendre dans quelles situations il leur apporte le plus. Les chercheurs devront notamment mesurer sa robustesse face aux événements rares, sa capacité à estimer l’incertitude et son comportement lorsque les conditions climatiques s’écartent des données d’apprentissage.

Il faudra également suivre la manière dont les grands centres météorologiques intégreront ces outils. Une IA très rapide pourrait servir de première estimation, enrichir des ensembles de prévisions ou aider à détecter des scénarios dangereux. Les modèles physiques conserveraient alors un rôle essentiel pour l’analyse, l’explication et la fiabilité des alertes.

GraphCast illustre surtout un changement de méthode : l’intelligence artificielle ne se contente plus d’interpréter des données scientifiques, elle commence à participer à la production même des prévisions. Pour le public, le bénéfice attendu est simple, des anticipations plus précoces et plus fiables. Mais ce bénéfice ne vaudra que si la précision annoncée s’accompagne d’incertitudes clairement communiquées et de décisions prises par des professionnels capables d’en assumer la responsabilité.