L’IA améliore les prévisions météorologiques : des chercheurs doublent la fiabilité des prévisions à un horizon de 2 à 6 semaines

Les prévisions météorologiques actuelles sont relativement fiables sur des périodes allant jusqu’à 10 jours. Les températures, les précipitations, le vent et le moment où surviennent les différents phénomènes météorologiques peuvent souvent être prévus avec une précision raisonnable.

Cependant, les systèmes de prévision existants peinent lorsque les prévisions s’étendent à l’échelle infrasaisonnière, soit environ deux à six semaines à l’avance. À cette échéance, les prévisions portent davantage sur les probabilités, les anomalies de température, les régimes de précipitations et le risque accru de certaines conditions météorologiques.

Des prévisions plus précises pourraient présenter des avantages considérables, notamment pour l’agriculture. Les agriculteurs pourraient mieux se préparer aux périodes de sécheresse ou de précipitations excessives et adapter en conséquence leurs programmes de semis, d’irrigation, de fertilisation et de récolte. Ces prévisions sont également importantes pour la gestion des situations d’urgence et la préparation aux catastrophes.

Des chercheurs du MIT s’efforcent d’améliorer la précision des prévisions. Plutôt que de simplement entraîner un modèle d’IA à produire de meilleures prévisions, ils utilisent l’IA pour repérer, dans les modèles de prévision existants, des erreurs récurrentes ou systématiques que leurs concepteurs n’avaient pas encore identifiées, puis les corriger. L’étude a été publiée dans Nature.

Après avoir appliqué leur modèle d’apprentissage automatique au modèle de référence parmi les modèles de prévision existants, les chercheurs ont pu doubler la fiabilité des prévisions pour la période de deux à six semaines.

Ils ont également appliqué leur IA à des modèles de prévision moins avancés, réduisant considérablement l’écart de performance entre ces systèmes et le modèle de référence. Les chercheurs du MIT espèrent déployer cette technique dans le monde entier, notamment dans les régions où les alertes précoces en cas de catastrophe naturelle sont particulièrement importantes.