Google pense pouvoir prédire la météo mieux que les météorologues traditionnels grâce à l'IA. Ça ne va pas être facile du tout
L’amélioration des modèles de prévision météorologique est devenue au fil du temps un objectif prioritaire pour de nombreux scientifiques du monde entier. Notre sélection de vêtements dépend non seulement d'une prévision météorologique correcte : mais également du transport terrestre, maritime et aérien ; agriculture; ou les décisions de production dans le secteur de l’énergie. Et surtout, une prévision météorologique plus précise peut éviter des risques importants, notamment celui de perdre la vie.
Un nouvel outil. Désormais, la division de Google dédiée à l'étude de l'intelligence artificielle (IA), Google DeepMind, promet de révolutionner ce secteur avec son nouvel outil : . est un modèle basé sur l'intelligence artificielle capable de prédire la météo et les risques liés aux conditions météorologiques extrêmes.
Selon l'entreprise, le modèle est comparable aux modèles météorologiques les plus avancés. De plus, il s'agit d'un modèle open source.
15 jours à l'avance. Le nouveau modèle présente un intérêt particulier en raison de sa capacité à faire des prévisions à moyen terme. Selon la société américaine, les prévisions de ses nouveaux modèles restent précises même avec 15 jours d'avance sur les événements météorologiques, une plage dans laquelle les incertitudes sont généralement élevées dans les modèles contemporains.
Modèles probabilistes. Les modèles de prévision à moyen terme, tels que ceux utilisés par le Centre européen pour les prévisions à moyen terme (ECMWF), reposent sur la création de diverses prévisions basées sur différents scénarios. Les résultats sont ensuite pondérés pour générer une prédiction probabiliste, c'est-à-dire qui attribue différentes probabilités aux différentes situations prédites par le modèle.
L’un des inconvénients de cette méthode est que la génération de ces résultats nécessite beaucoup d’efforts de calcul. Cela implique que nous avons besoin d'un supercalculateur consacrant des heures d'activité à ces calculs. Le temps qui s'écoule entre la saisie des dernières données atmosphériques et l'obtention de leurs résultats peut être d'environ deux heures, explique au SINC Ferran Alet Puig, chercheur principal chez Google DeepMind et co-auteur de l'étude.
Des supercalculateurs à l’IA. Le nouveau modèle ne repose pas sur des modèles théoriques basés sur ce que nous savons des lois de la physique, mais plutôt sur des observations, expliquent ses créateurs. Pour ce faire, ils ont utilisé des enregistrements météorologiques historiques jusqu’en 2018. En utilisant ces données, le modèle a pu être ajusté pour « apprendre » de ces informations.
« Les modèles d'apprentissage automatique comme GenCast fonctionnent très différemment des modèles classiques. L'ENS (système de prévision probabiliste) du CEPMMT simule essentiellement les lois de la physique avec des supercalculateurs. En théorie, nous pensons connaître les lois des fluides, mais en pratique, nous avons des erreurs de capteurs et une capacité de calcul limitée. Il existe de nombreux paramètres des modèles que nous ne connaissons pas », explique Alet Puig a.
Le nouveau modèle nécessite moins de puissance de calcul et, surtout, de temps, puisque ses résultats peuvent être prêts en quelques minutes. L'équipe chargée de développer ce modèle l'a fait à travers un article dans le magazine.
Test du modèle. Si les enregistrements météorologiques jusqu'en 2018 ont servi à entraîner le modèle, le modèle a été testé avec les données ultérieures. Avec des résultats satisfaisants.
Révolution ou évolution. Malgré l'innovation de la nouvelle proposition, il est encore tôt pour rompre avec les modèles traditionnels. Malgré le caractère innovant de la méthodologie, le nouveau modèle dépend toujours des modèles météorologiques traditionnels pour faire son travail.
« Cependant, des systèmes comme GenCast décrit ici utilisent la réanalyse obtenue par des méthodes traditionnelles basées sur des lois physiques, ils dépendent donc toujours du modèle ECMWF IFS (), à la fois pour établir les conditions initiales et pour entraîner les algorithmes « d'apprentissage automatique ». « , explique Ernesto Rodríguez Camino, météorologue principal de l'État et membre de l'Association météorologique espagnole, dans des déclarations recueillies par .
Rodríguez Camino indique qu’il est probable que nous verrons « dans un avenir pas trop lointain » des systèmes hybrides combinant les deux approches. Grâce à cette double approche on pourra peut-être utiliser des modèles basés sur des équations physiques « pour vérifier, entraîner et améliorer le système », et des modèles basés sur des observations « pour optimiser le calcul des prédictions et augmenter les ressources de prédiction d'ensemble ».
À Simseo | La prévision météo va beaucoup s'améliorer en Espagne : AEMET y a investi 25 millions d'euros
Images | Pixabay
