Selon Google, Météo France serait bien pire que son outil pour connaître la météo

Actualités JVTech « Extrême précision » : selon Google, Météo France serait bien pire que son outil pour connaître la météo

Un modèle probabiliste pour comprendre l’incertitude

Google a lancé une nouvelle offensive dans le domaine des prévisions météorologiques

avec GenCast, un modèle d’intelligence artificielle présenté comme révolutionnaire. Selon l’entreprise, cet outil probabiliste surpasse en précision et en rapidité le système de référence actuel, le Système de Prédiction d’Ensemble (ENS) du Centre Européen de Prévisions Météorologiques à Moyen Terme (CEPMMT) et, par extension, la Météo Française, qui sont basé sur une partie de ce système. Une affirmation qui, si elle se vérifiait, pourrait révolutionner notre façon d’anticiper les caprices du ciel.

GenCast, publié dans la revue scientifique Nature

se distingue par son approche probabiliste. Contrairement aux modèles déterministes qui fournissent une prévision unique, GenCast génère un ensemble de plus de 50 scénarios météorologiques possibles, chacun associé à une probabilité. Cette approche permet de comprendre l’incertitude inhérente aux prévisions météorologiques, notamment à long terme. L’utilisateur dispose ainsi d’une vision plus complète des conditions météorologiques à venir et peut prendre des décisions plus éclairées. L’exemple du typhon Hagibis en 2019 illustre la capacité de GenCast à affiner ses prévisions à mesure que l’échéance approche.

IA générative pour la météo

Les performances de GenCast reposent sur l’utilisation d’un modèle de diffusion, une technique d’intelligence artificielle générative. Adapté à la géométrie sphérique de la Terre, GenCast a été formé sur quatre décennies de données météorologiques historiques provenant des archives ERA5 du CEPMMT. Cet ensemble de données massif a permis au modèle d’apprendre les tendances météorologiques mondiales avec une résolution de 0,25°. Google affirme que GenCast est plus précis que ENS dans 97,2 % des 1 320 combinaisons de variables et de - de prévision testées, et 99,8 % au-delà de 36 heures.

Outre la précision accrue, Google met en avant la vitesse d’exécution de GenCast. Une seule prévision sur 15 jours peut être générée en seulement 8 minutes sur Google Cloud TPU v5. De plus, toutes les prévisions peuvent être calculées en parallèle, ce qui représente un gain de - important par rapport aux modèles traditionnels. Cette efficacité énergétique est une ressource importante.

Meilleure anticipation des événements extrêmes

L’impact potentiel de GenCast est particulièrement important dans la prévision des événements météorologiques extrêmes. Face aux vagues de chaleur, aux vagues de froid, aux vents violents et aux cyclones, des prévisions plus précises et plus rapides permettent d’anticiper les risques et de mettre en œuvre des mesures de prévention plus efficaces. Google souligne que GenCast a surpassé ENS dans la prévision de ces phénomènes.

De meilleures prévisions météorologiques ont également des implications significatives pour les énergies renouvelables. En optimisant les prévisions de production d’énergie éolienne, GenCast peut contribuer à une meilleure gestion des réseaux électriques et favoriser l’intégration des sources d’énergie renouvelables.

Si Google présente GenCast comme une avancée majeure, il est important de nuancer ces affirmations. L’étude publiée dans Nature porte sur la comparaison avec l’ENS et utilise des données historiques. Les performances de GenCast dans des conditions réelles restent à prouveret une comparaison directe avec les prévisions de Météo France serait nécessaire.

Malgré ces réserves, GenCast représente une étape importante dans l’évolution de la prévision météorologique. Google ouvre la voie à des prédictions plus précises, plus rapides et plus accessibles. Le code open Source et la publication prochaine des prédictions permettront à la communauté scientifique d’explorer le potentiel de GenCast. L’avenir de la prévision météorologique s’annonce résolument technologique, et la collaboration entre les géants du numérique et les agences météorologiques nationales sera essentielle.