Prévisions météo : comment l’IA de Google DeepMind transforme les modèles

Prévoir le temps consiste à reconstituer l’état présent de l’atmosphère, puis à estimer son évolution heure après heure. Longtemps, cette tâche a reposé presque exclusivement sur de gigantesques simulations physiques exécutées par des supercalculateurs. En mars 2025, l’intelligence artificielle ne remplace pas cette science de l’atmosphère, mais elle en bouleverse déjà une partie essentielle : la rapidité avec laquelle il devient possible de produire des scénarios météo mondiaux et d’en mesurer l’incertitude.

Les noms de GraphCast et de GenCast, deux modèles de Google DeepMind, incarnent cette évolution. Le premier a démontré qu’un modèle appris à partir de données pouvait rivaliser avec des prévisions numériques de référence sur de nombreux critères. Le second va plus loin en produisant non pas un seul futur météorologique, mais un ensemble de futurs plausibles jusqu’à 15 jours. Cette nuance est décisive lorsqu’il s’agit d’anticiper une tempête, une vague de chaleur ou de fortes précipitations.

GenCast : prévoir plusieurs futurs possibles jusqu’à 15 jours

Présenté par Google DeepMind en décembre 2024, GenCast est un modèle de prévision météorologique mondiale fondé sur l’apprentissage automatique. Sa particularité est d’être probabiliste. Au lieu de livrer une seule carte indiquant le temps attendu, il génère un ensemble de prévisions possibles à partir des mêmes conditions initiales.

C’est le principe des prévisions d’ensemble, déjà bien connu des services météorologiques. La météo est un système chaotique : une infime incertitude sur l’état initial de l’atmosphère peut conduire, plusieurs jours plus tard, à des situations nettement différentes. Fournir plusieurs scénarios aide donc à répondre à une question plus utile que « quel temps fera-t-il exactement ? » : « quelle est la probabilité qu’un événement se produise, et à quel niveau de risque faut-il se préparer ? »

Google DeepMind indique que GenCast a été évalué face à l’ensemble de prévisions opérationnel du Centre européen pour les prévisions météorologiques à moyen terme, l’ECMWF. Dans cette comparaison, le modèle a obtenu de meilleurs résultats sur 97,2 % des cibles de vérification examinées. Pour les événements météorologiques extrêmes, le résultat annoncé atteint 99,8 % des cibles.

Ces chiffres sont significatifs, mais ils demandent à être bien interprétés. Ils mesurent des performances sur des variables et des échéances précises, dans le cadre d’un protocole d’évaluation. Ils ne veulent pas dire que 97,2 % des prévisions seront parfaites dans chaque ville, ni qu’une alerte locale peut être déclenchée par un seul modèle. L’intérêt majeur de GenCast est plutôt d’améliorer la qualité statistique des scénarios disponibles pour les prévisionnistes.

GraphCast a montré la vitesse des modèles d’apprentissage

Avant GenCast, Google DeepMind avait présenté GraphCast en novembre 2023. Ce modèle a marqué les esprits par sa capacité à produire une prévision mondiale à 10 jours en moins d’une minute sur un matériel spécialisé, là où les simulations physiques traditionnelles exigent habituellement des ressources de calcul considérables.

GraphCast est un modèle dit déterministe : il fournit principalement un scénario d’évolution de l’atmosphère. Il apprend les liens entre l’état de l’atmosphère à différents instants à partir d’immenses jeux de données météorologiques historiques. Parmi eux figurent les réanalyses, qui combinent de nombreuses observations passées avec des modèles physiques pour produire une représentation cohérente du climat récent.

Dans son étude publiée dans Science, Google DeepMind a rapporté que GraphCast dépassait le modèle opérationnel HRES de l’ECMWF sur plus de 90 % des 1 380 cibles de vérification étudiées. Pour la prévision d’événements extrêmes, le modèle affichait de meilleurs résultats sur 99,7 % de ces cibles. Là encore, il s’agit de comparaisons scientifiques sur des indicateurs définis, et non d’une promesse d’infaillibilité à l’échelle d’un quartier ou d’une commune.

Pourquoi l’IA peut-elle aller si vite ?

Les modèles de prévision numérique du temps traditionnels partent des lois de la physique. Ils représentent notamment les mouvements de l’air, la pression, l’humidité, la température et les échanges d’énergie dans l’atmosphère. Ils découpent le globe en mailles, puis résolvent ces équations à de très nombreuses étapes de temps. Cette approche est robuste et indispensable, mais son coût de calcul est élevé.

Les modèles d’IA suivent une autre voie. Pendant leur entraînement, ils apprennent des régularités dans les séquences de données météorologiques : comment une certaine configuration de vents, de températures et de pressions tend à évoluer. Une fois entraînés, ils peuvent générer une prévision très rapidement. Cette vitesse peut permettre de produire davantage de scénarios, de tester plus de configurations ou de mettre à disposition des prévisions utiles plus tôt.

Cela ne signifie pas que l’IA « comprend » le temps comme un météorologue. Elle repère des relations statistiques dans les données sur lesquelles elle a été entraînée. Sa pertinence dépend donc de la qualité de ces données, du choix de ses variables d’entrée, de son évaluation sur des situations nouvelles et de sa capacité à respecter les contraintes physiques essentielles.

Les observations restent au cœur de la chaîne. Satellites, stations au sol, bouées océaniques, ballons-sondes, avions et radars alimentent la connaissance de l’état actuel de l’atmosphère. Sans cette étape, appelée assimilation des données dans les chaînes de prévision classiques, même le meilleur modèle d’IA partirait d’une image imprécise de la situation présente.

Une aide précieuse, pas une météo exacte dans chaque rue

Les progrès de GraphCast et GenCast sont particulièrement importants pour les phénomènes à fort impact : dépressions, vents violents, épisodes de chaleur, fortes pluies ou cyclones. Plus les décideurs disposent tôt d’une estimation crédible du risque, plus ils peuvent organiser la protection des populations, adapter les réseaux de transport, sécuriser certaines infrastructures ou préparer les moyens de secours.

Mais il existe une limite fondamentale : une prévision mondiale n’a pas la précision d’une prévision locale. Les modèles comme GraphCast et GenCast travaillent à une résolution de 0,25 degré, soit environ 28 kilomètres à l’équateur. Cette finesse est remarquable pour couvrir l’ensemble du globe, mais elle ne permet pas de décrire parfaitement les effets du relief, une cellule orageuse isolée ou les contrastes entre deux vallées voisines.

Pour les phénomènes très localisés, les services météorologiques combinent donc plusieurs outils : observations en temps réel, radars, modèles à plus haute résolution, expertise humaine et procédures d’alerte. L’IA peut améliorer cette chaîne, notamment en accélérant certaines étapes ou en fournissant de nouveaux scénarios, mais elle ne rend pas obsolète la vigilance météorologique officielle.

AIFS : l’ECMWF fait entrer l’IA dans ses opérations

Le mouvement ne se limite pas à Google DeepMind. En février 2025, l’ECMWF a mis en exploitation son propre système fondé sur l’intelligence artificielle, AIFS, pour Artificial Intelligence Forecasting System. L’organisme européen ne renonce pas pour autant à son modèle de prévision numérique traditionnel, l’IFS. AIFS fonctionne à ses côtés dans une logique de complémentarité.

Cette entrée en opération est un jalon important. L’ECMWF est l’une des institutions les plus reconnues au monde pour la prévision à moyen terme. En intégrant l’IA dans sa production, l’organisme montre que ces modèles ne sont plus seulement des démonstrations de laboratoire. Ils deviennent des outils appelés à être confrontés quotidiennement aux exigences de la météo opérationnelle : fiabilité, régularité, contrôle des résultats et utilité pour les services nationaux.

Il faut toutefois distinguer le moyen terme, qui couvre généralement les jours à venir jusqu’à environ deux semaines, des prévisions saisonnières et de la projection climatique. AIFS, GraphCast et GenCast visent d’abord la prévision météorologique à moyen terme. Ils ne permettent pas, à eux seuls, de prédire précisément le temps qu’il fera un jour donné dans plusieurs mois.

Météo et climat : deux échelles à ne pas confondre

La météo décrit l’état de l’atmosphère à court terme : pluie demain, vent dans trois jours, température la semaine prochaine. Le climat s’intéresse aux tendances, aux moyennes et aux extrêmes sur des décennies. Les deux sujets sont liés, mais ils ne répondent pas aux mêmes questions ni ne mobilisent exactement les mêmes méthodes.

L’IA peut aider les deux domaines. Dans la météo, sa force est d’accélérer la production de prévisions et d’enrichir les scénarios de risque. Pour le climat, elle peut contribuer à analyser de vastes ensembles de données, à émuler certains calculs coûteux ou à mieux étudier les impacts régionaux. En revanche, l’évolution climatique à long terme dépend notamment des émissions de gaz à effet de serre, des océans, de l’usage des sols et de mécanismes qui exigent toujours des modèles physiques rigoureux.

C’est aussi dans cette perspective que se développent des coopérations internationales. Le partenariat évoqué entre G42 et NVIDIA Earth-2 illustre l’intérêt croissant des acteurs technologiques pour le calcul accéléré appliqué aux simulations météorologiques et climatiques. Earth-2 désigne la plateforme de NVIDIA consacrée à ce type de simulation. Ces initiatives reposent sur une même idée : face à la complexité du système terrestre, l’association des données, du calcul haute performance, de l’IA et de l’expertise scientifique devient stratégique.

Ce qu’il faut surveiller

La prochaine étape ne sera pas seulement de battre un score de précision. Il faudra vérifier, sur la durée, comment les systèmes d’IA se comportent lors de situations rares, de phénomènes extrêmes et de ruptures inhabituelles dans les données. Il faudra aussi déterminer comment les intégrer dans les procédures d’alerte sans donner une fausse impression de certitude.

La transparence est un autre enjeu. Les météorologues doivent pouvoir comprendre les conditions dans lesquelles un modèle est performant, repérer ses faiblesses et comparer ses résultats à ceux des simulations physiques. La publication de protocoles d’évaluation solides, la diversité des données d’observation et le maintien d’une expertise humaine seront déterminants.

En mars 2025, la transformation est déjà tangible : l’IA fait gagner du temps de calcul et apporte de nouveaux outils pour quantifier le risque. Son avenir dans la météo ne se jouera pas dans l’opposition entre algorithmes et physique, mais dans leur combinaison. Pour le grand public, le bénéfice attendu est simple : des prévisions plus utiles, des incertitudes mieux expliquées et, lorsque le temps devient dangereux, davantage de temps pour agir.