Bien qu’essentielles pour planifier nos journées et nous protéger des phénomènes climatiques extrêmes, les prévisions météorologiques ont souvent donné lieu à des prédictions imprécises. Combien de fois avons-nous consulté la météo avant de sortir convaincus que le soleil brillerait pour finalement nous retrouver sous une pluie battante ? Bien que la science des prévisions ait fait d’énormes progrès ces dernières décennies, la complexité des conditions climatiques rend toujours la prévision exacte difficile, en particulier sur des périodes longues. Cependant, un nouvel outil appelé GenCast et développé par Google DeepMind pourrait bien changer la donne.
Les défis des prévisions météorologiques traditionnelles
Les prévisions météorologiques se basent sur des modèles mathématiques complexes qui intègrent des milliers de points de données concernant la température, la pression atmosphérique, la vitesse du vent et bien d’autres facteurs. Ces modèles permettent de simuler le comportement de l’atmosphère et d’anticiper le temps qu’il fera à court terme. Cependant, à mesure que l’horizon temporel de la prévision s’allonge, ils deviennent moins fiables. En effet, l’atmosphère est un système dynamique où de nombreuses variables interagissent, ce qui rend les prévisions plus complexes et sujettes à des erreurs, en particulier à plus de trois ou quatre jours.
Dans ce contexte, une nouvelle technologie, GenCast, développée par Google DeepMind, pourrait offrir des réponses bien plus précises et rapides que les outils traditionnels.
GenCast : une révolution grâce à l’IA
GenCast est un système de prévision météorologique basé sur l’IA qui a été formé sur des décennies de données historiques collectées par le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), l’un des services de prévision les plus précis au monde. Ce modèle a été entraîné avec des informations détaillées sur la température, la vitesse du vent, la pression et d’autres paramètres à différentes altitudes qui couvrent des données jusqu’en 2018. Grâce à ce large éventail de données, GenCast est capable de générer des prévisions plus fiables que les systèmes traditionnels.
L’un de ses principaux avantages est sa capacité à produire des prévisions sur quinze jours avec une précision de 97,2 %, une performance bien supérieure à celle des modèles traditionnels, comme ceux utilisés par l’ECMWF. Pour des prévisions à plus court terme, la précision atteint même 99,8 % en 36 heures. Cette précision inédite permet de mieux anticiper les conditions météorologiques tant au quotidien que pour des phénomènes extrêmes.
Le fonctionnement de ce modèle repose sur une approche innovante : il génère plusieurs scénarios météorologiques possibles à partir des conditions actuelles, puis les agrège pour obtenir une prévision finale. Ce processus prend seulement huit minutes grâce à l’utilisation des processeurs d’IA TPU v5 de Google contre plusieurs heures nécessaires aux superordinateurs classiques.
Les applications et avantages
Outre sa rapidité et sa précision, GenCast offre de nombreuses applications bénéfiques dans divers domaines. La première d’entre elles est sans doute la possibilité de mieux prédire les phénomènes climatiques extrêmes comme les tempêtes, les vagues de chaleur ou les inondations. Or, ces événements, qui sont de plus en plus fréquents en raison du réchauffement climatique, peuvent avoir des conséquences dramatiques. Grâce à une prévision plus précise, les autorités et les populations peuvent être mieux préparées, ce qui réduit ainsi les risques et les pertes humaines et matérielles.
Une autre application clé se situe dans le domaine des énergies renouvelables. En détectant les schémas de vent sur de longues périodes, l’outil pourrait aider à mieux gérer la production d’énergie éolienne en optimisant l’emplacement et le fonctionnement des parcs éoliens. Cela permettrait de mieux prévoir la quantité d’énergie produite et de réduire ainsi les incertitudes tout en améliorant l’efficacité des réseaux électriques.
Le déploiement de GenCast pourrait donc marquer un tournant dans la manière dont nous abordons les prévisions météorologiques. Bien que le modèle ne soit pas encore disponible sous forme d’application grand public, Google met les données recueillies lors des tests ainsi que des prévisions en temps réel à disposition des chercheurs et des météorologues. Cela permet à d’autres entités scientifiques et commerciales d’exploiter cette technologie pour améliorer leurs propres modèles et recherches. Dans les mois à venir, il est fort probable que l’outil influence de nombreuses applications météorologiques et devienne un standard dans les prévisions.
