GenCast, l’IA de Google qui veut rendre les prévisions météo plus fiables

Prévoir le temps qu’il fera dans deux semaines ne consiste pas à annoncer une température exacte ou l’heure précise d’une averse. À cette échéance, la question la plus utile est souvent : quels scénarios restent plausibles, et avec quelle probabilité ? C’est sur ce terrain que Google DeepMind présente, en décembre 2024, GenCast, un modèle d’intelligence artificielle conçu pour produire des prévisions météo probabilistes à l’échelle mondiale.

Le modèle ne remplace pas, à lui seul, le travail des services météorologiques. Mais ses résultats suggèrent qu’une IA peut accélérer fortement le calcul d’ensembles de prévisions et mieux caractériser certains risques, notamment les fortes chaleurs, les coups de froid, les vents violents et les cyclones tropicaux. Les usages potentiels concernent autant l’alerte aux populations que l’agriculture, les réseaux énergétiques ou la gestion des transports.

GenCast ne donne pas une seule météo, mais 50 futurs possibles

Une prévision météorologique est toujours associée à de l’incertitude. L’atmosphère forme un système extrêmement complexe : une petite différence dans les conditions de départ peut modifier l’évolution d’une dépression, la trajectoire d’un cyclone ou le moment où un épisode pluvieux touche une région.

Les centres météo utilisent donc déjà des prévisions d’ensemble : ils lancent plusieurs simulations à partir de conditions initiales légèrement différentes. Lorsque les scénarios convergent, la confiance augmente. Lorsqu’ils divergent, l’incertitude est plus grande. GenCast s’inscrit dans cette logique, mais utilise une approche issue de l’apprentissage automatique.

Le modèle génère 50 scénarios météorologiques mondiaux allant jusqu’à 15 jours. Il ne prétend donc pas désigner un unique futur certain. Il cherche plutôt à représenter l’éventail des évolutions atmosphériques plausibles, afin d’estimer la probabilité d’un événement et les zones les plus exposées.

Google DeepMind a entraîné GenCast à partir de 40 années de données météorologiques historiques de l’European Centre for Medium-Range Weather Forecasts, plus connu sous l’acronyme ECMWF. Ces données de réanalyse combinent des observations et des modèles physiques pour reconstituer l’état passé de l’atmosphère. Elles regroupent notamment la température, la pression, l’humidité et le vent, à différentes altitudes.

Comment l’IA produit-elle une prévision météorologique ?

Les modèles météorologiques numériques traditionnels s’appuient sur les lois de la physique : ils calculent l’évolution de la température, des masses d’air, de l’humidité et des vents sur des supercalculateurs. Ils restent indispensables à la météorologie opérationnelle, en particulier pour intégrer les observations disponibles et produire des alertes locales.

GenCast suit une voie différente. Son IA apprend, à partir d’un très grand nombre de situations passées, comment l’atmosphère évolue habituellement d’un état à un autre. Plus précisément, il appartient à la famille des modèles de diffusion, une technique également utilisée dans la génération d’images. Dans le cas de GenCast, il ne s’agit pas de créer une image du ciel : le modèle génère des trajectoires possibles de variables atmosphériques cohérentes entre elles.

Cette méthode a un intérêt majeur : produire rapidement de nombreux scénarios. Google DeepMind indique qu’un ensemble de 50 prévisions à 15 jours peut être calculé en environ huit minutes sur une seule puce Cloud TPU v5. Une telle vitesse ne signifie pas que la météo devient simple à prédire. Elle peut en revanche permettre de multiplier les simulations, donc de mieux cartographier les incertitudes.

Prévision unique ou ensemble de scénarios : quelle différence ?

Une carte météo classique peut donner l’impression d’une grande certitude, alors qu’elle représente souvent le résultat le plus probable parmi plusieurs évolutions possibles. L’approche par ensemble rend cette incertitude plus visible et plus exploitable. Elle est particulièrement utile quand l’enjeu n’est pas seulement la température prévue, mais le risque d’un seuil dangereux ou d’une trajectoire défavorable.

Il serait toutefois erroné d’opposer de manière absolue l’IA aux modèles traditionnels. L’ECMWF et d’autres services météorologiques produisent déjà des ensembles probabilistes grâce à des modèles physiques. La nouveauté de GenCast tient à sa manière de créer ces ensembles et à la vitesse de calcul annoncée, pas à l’invention du raisonnement probabiliste en météorologie.

Des résultats prometteurs face au système de l’ECMWF

Pour mesurer les performances de GenCast, Google DeepMind l’a comparé à l’ensemble de prévisions opérationnel de l’ECMWF, souvent considéré comme une référence mondiale. L’évaluation porte sur des prévisions rétrospectives réalisées à partir de données de 2019.

Selon les chercheurs, GenCast dépasse le système de l’ECMWF dans 97,2 % des 1 320 cibles de prévision étudiées. Ces comparaisons combinent plusieurs variables, niveaux de pression, régions et échéances. Ce résultat ne veut pas dire que GenCast donne systématiquement une météo parfaite, ni qu’il sera supérieur dans chaque ville et pour chaque situation. Il signifie que, sur cette batterie d’indicateurs, ses distributions probabilistes se sont révélées plus justes dans la grande majorité des cas examinés.

Le résultat est important parce qu’une bonne prévision d’ensemble doit réussir deux exercices à la fois : proposer un scénario central crédible et attribuer un niveau de probabilité réaliste aux scénarios moins probables. Une IA qui annoncerait trop souvent un phénomène rare créerait de fausses alertes. À l’inverse, une IA trop prudente pourrait manquer des événements graves. L’enjeu est donc la qualité de la prévision, mais aussi son bon niveau de confiance.

Les phénomènes extrêmes et les cyclones au cœur des usages

Les épisodes extrêmes sont parmi les événements les plus difficiles à anticiper et les plus coûteux lorsqu’ils surprennent les populations. GenCast a notamment été testé sur les risques associés aux vagues de chaleur, aux vagues de froid et aux vents violents. Pour ces phénomènes, disposer d’une probabilité et d’une localisation possible peut être plus utile qu’une simple estimation moyenne.

Google DeepMind souligne aussi les performances de son modèle pour les trajectoires de cyclones tropicaux, avec une amélioration annoncée jusqu’à cinq jours à l’avance par rapport au système d’ensemble de l’ECMWF évalué. La trajectoire d’un cyclone conditionne les zones à évacuer, le prépositionnement des secours et la préparation des infrastructures.

Pour autant, une prévision mondiale à une résolution d’environ 0,25 degré ne peut pas résoudre tous les phénomènes très locaux. Les orages, les effets du relief, les brises côtières ou les précipitations à l’échelle d’un quartier nécessitent des observations, des modèles à plus haute résolution et l’expertise des prévisionnistes. GenCast doit donc être compris comme un outil d’aide à la décision à grande échelle, pas comme une application capable d’annoncer avec certitude la météo de chaque rue.

Un code publié, mais pas une météo prête à l’emploi pour tous

Google DeepMind annonce mettre à disposition le code de GenCast. Cette ouverture est importante pour la recherche : des scientifiques peuvent examiner la méthode, tenter de reproduire les résultats, comparer le modèle à d’autres systèmes et envisager des adaptations à des besoins spécifiques.

L’entreprise prévoit également de rendre accessibles des prévisions historiques et en temps réel. Cette démarche peut faciliter les tests indépendants, une étape essentielle lorsque des modèles sont appelés à alimenter des décisions liées à la sécurité, à l’énergie ou à l’agriculture.

L’ouverture du code ne signifie toutefois pas que n’importe quel utilisateur peut recréer immédiatement un service météo fiable. Il faut disposer de données initiales adaptées, d’une infrastructure de calcul et d’un savoir-faire pour interpréter les résultats. La valeur d’une prévision ne dépend pas uniquement de son modèle : elle repose aussi sur la qualité des observations, la vérification continue des performances et la manière de communiquer l’incertitude au public.

Google, Microsoft et Huawei accélèrent dans la météo par IA

GenCast arrive dans un secteur où les géants technologiques multiplient les annonces. Google DeepMind avait déjà présenté GraphCast, un modèle de prévision déterministe. Avec GenCast, l’entreprise ajoute la dimension probabiliste, essentielle pour l’évaluation des risques.

Microsoft a de son côté dévoilé Aurora, présenté comme un modèle de fondation destiné aux prévisions météorologiques et à l’étude d’événements environnementaux. Son approche vise notamment à analyser un très grand volume de paramètres atmosphériques pour mieux anticiper les conséquences d’événements extrêmes.

Huawei développe aussi des modèles dédiés à la météo. Son système Pangu-Weather, entraîné sur 43 ans de données selon l’entreprise, est conçu pour suivre les typhons et prévoir l’évolution des températures. Huawei fait état d’une amélioration de 20 % par rapport aux méthodes traditionnelles dans ses évaluations.

Ces résultats ne se comparent pas mécaniquement : les données utilisées, les périodes de test, les résolutions spatiales et les indicateurs diffèrent d’un modèle à l’autre. La compétition a néanmoins un effet positif potentiel : accélérer la publication de travaux, élargir les comparaisons indépendantes et faire progresser les outils mis à la disposition des météorologues.

Ce qu’il faut surveiller avant de parler de révolution météo

GenCast illustre la place croissante de l’IA dans les sciences du climat et de l’atmosphère. Son principal apport n’est pas de supprimer l’incertitude météorologique, ce qui est impossible, mais de la quantifier plus rapidement et de façon potentiellement plus fiable. Pour les décideurs, cette information peut compter autant que la prévision centrale elle-même.

La prochaine étape sera de vérifier ses performances dans la durée, sur des situations réellement opérationnelles et dans des contextes variés. Il faudra notamment observer la façon dont le modèle réagit aux événements rares, aux données manquantes et à une atmosphère influencée par le changement climatique.

La distinction entre météo et climat reste essentielle. GenCast est entraîné pour prévoir l’évolution du temps à court et moyen terme à partir de l’état actuel de l’atmosphère. Il ne remplace pas les modèles climatiques qui étudient les tendances sur plusieurs décennies. Dans les deux cas, l’IA peut devenir un accélérateur précieux, à condition que ses résultats soient évalués avec rigueur et intégrés à l’expertise humaine des services météorologiques.