L’intelligence artificielle montre un potentiel considérable dans la prévision des cyclones tropicaux, avec des modèles alimentés par l’IA atteignant voire dépassant parfois la précision des modèles traditionnels basés sur la physique, en particulier pour la prévision de la trajectoire. Alors que les ouragans et typhons risquent de devenir plus dévastateurs avec le changement climatique, ces avancées s’avèrent cruciales pour renforcer les systèmes d’alerte précoce et optimiser la préparation ainsi que la réponse face aux catastrophes naturelles.
Des avancées concrètes lors de la dernière tempête Wutip
Lorsque la tempête tropicale sévère Wutip a balayé l’Asie du Sud-Est au début du mois dernier, les modèles de prévision basés sur l’IA ont surpassé les modèles classiques dans la prédiction du parcours de la tempête.
Le service météorologique de Hong Kong, qui utilise depuis quelque temps un double système de prévisions combinant modèles physiques et IA, indique que Fuxi, un modèle développé par l’Université de Fudan, ainsi que le Système de Prévision par Intelligence Artificielle (AIFS) du Centre Européen pour les Prévisions Météorologiques à Moyen Terme (ECMWF), avaient tous deux anticipé une trajectoire plus à l’ouest pour Wutip. La prévision issue de ces modèles s’est révélée en définitive beaucoup plus proche de la tracée réelle du cyclone que celle de deux modèles numériques classiques.
Une amélioration continue des modèles d’IA
Les modèles de prévision basés sur l’intelligence artificielle progressent rapidement, ayant démontré à maintes reprises leur capacité à atteindre, voire dépasser, la précision de leurs homologues basés sur les principes physiques. Lors d’une période de test de 18 mois, le système AIFS a surpassé les prévisions classiques d’environ 20%. Lors de son déploiement en février, l’ECMWF a qualifié cette avancée de « jalon » susceptible de « transformer la science et la prévision météorologique. »
Des sociétés privées comme Google et Microsoft se sont également lancées dans la compétition, avec des résultats notables. Le mois dernier, Google DeepMind et Google Research ont dévoilé Weather Lab, un site interactif permettant de comparer en temps réel des prévisions basées sur l’IA et des modèles classiques pour une dizaine de tempêtes nommées sur les quatre dernières années.
La société affirme qu’au cours de tests réalisés pour les tempêtes de 2023-2024 dans l’Atlantique Nord et le Pacifique Est, ses prévisions à 5 jours de la trajectoire se sont révélées à environ 136 kilomètres (85 miles) plus proches de la vérité par rapport aux résultats du modèle ENS (Ensemble), considéré comme la référence en matière de prévisions météorologiques.
Kate Musgrave, spécialiste en recherche au sein du Cooperative Institute for Research in the Atmosphere, a souligné que le modèle de Google démontrait une « compétence comparable, voire supérieure » à celle des meilleurs modèles opérationnels en matière de trajectoire et d’intensité.
Des performances significatives lors du passage d’un ouragan majeur
Lorsque l’ouragan de catégorie 4 Helene a frappé la région du Grand Baie en Floride en septembre dernier, provoquant des inondations dévastatrices à l’intérieur des terres, des vents extrêmes, des vagues submergeant tout sur leur passage, et une série de tornades meurtrières faisant 250 victimes, le modèle expérimental de Google a réussi à estimer précisément à la fois sa trajectoire et son intensité. Le modèle ENS a également fourni une prévision de trajectoire plutôt fiable, mais avec des vitesse de vent inférieures à celles d’un cyclone de catégorie 1.
Les limites de la précision et la difficulté à prévoir l’intensité
Cependant, malgré ces progrès encourageants, cette précision n’est pas systématiquement garantie. Selon Jeff Berardelli, météorologue en chef pour WFLA et spécialiste du climat, la prévision de l’intensité reste bien plus complexe que celle de la trajectoire, même pour l’IA. L’exemple récent du cyclone Milton, en 2022, illustre cette difficulté : si les modèles de Google avaient prévu globalement la trajectoire avec à peine quelques kilomètres d’écart, leur estimation de l’intensité s’est révélée largement sous-estimée. Le modèle avait prévu un cyclone de niveau inférieur à la catégorie 2, alors que Milton a rapidement atteint la catégorie 5, devenant le plus puissant à avoir frappé le golfe du Mexique depuis l’ouragan Rita en 2005.
Ce phénomène de montée en puissance rapide, appelé « intensification rapide », lorsqu’un cyclone gagne plusieurs catégories en seulement quelques heures, constitue une menace élevée car il limite le temps disponible pour l’émission d’alertes, augmentant le risque pour les populations côtières.
Selon une étude de 2023, environ 80 % des grands ouragans (catégorie 3 à 5) connaissent une phase d’intensification accélérée. La hausse des gaz à effet de serre, due aux activités humaines, accentue cette tendance : entre 2001 et 2020, les tempêtes atlantiques ayant évolué en cyclone majeur en moins de 36 heures ont doublé, parmi elles Sandy en 2012, Harvey en 2017, Ida en 2021 ou encore Ian en 2022.
Des chercheurs de l’Institut d’Océanologie de l’Académie chinoise des sciences ont mis au point un modèle d’IA utilisant des données satellitaires, atmosphériques et océaniques pour prévoir précisément ces montées en puissance rapides. Lors de ses tests sur des données du Pacifique Nord-Ouest entre 2020 et 2021, il a atteint un taux de précision de 92,3 %, soit une amélioration de 12 % par rapport aux méthodes existantes, tout en réduisant par trois les fausses alarmes, avec un taux de 8,9 %, selon un article publié en janvier.
Bien que ces résultats soient prometteurs pour une application pratique, il reste nécessaire de tester sur un échantillon plus large, car les caractéristiques des cyclones tropicaux varient considérablement selon les bassins océaniques, soulignent les chercheurs.
Une vitesse de traitement accrue et une consommation énergétique diminuée
« Il n’y aura jamais de prévision météorologique à 100 % de précision, c’est tout simplement impossible. Notre atmosphère est chaotique, notre système terrestre l’est aussi », explique Florian Pappenberger, Directeur général adjoint et Directeur des prévisions et services au ECMWF. Mais, même si l’incertitude demeure, les prévisions générées par l’IA sont « beaucoup plus précises qu’auparavant », ajoute-t-il. « Cela permet aux populations de prendre de meilleures décisions, de mieux planifier. Je trouve cela passionnant. »
Les modèles d’IA ne se contentent pas d’être plus précis, ils sont aussi beaucoup plus rapides et consomment beaucoup moins d’énergie. À une époque où le réchauffement climatique engendre des typhons de plus en plus puissants et meurtriers, cette avancée devient indispensable.
Le système AIFS de l’ECMWF peut prévoir la trajectoire d’un cyclone 12 heures à l’avance supplémentaire et nécessite environ 1 000 fois moins d’énergie que les modèles physiques classiques. De leur côté, les modèles d’IA de Google mettent à peine une minute pour produire une prévision sur 15 jours concernant la formation, la trajectoire, l’intensité, la taille et la forme d’un cyclone, alors que les méthodes traditionnelles requièrent plusieurs heures pour ce faire.
Cette différence s’explique par la complexité des modèles classiques : ils reposent sur des équations sophistiquées résolues sur une grille mondiale à l’aide de supercalculateurs haut de gamme, chaque simulation pouvant durer plusieurs heures. À l’inverse, les modèles basés sur l’IA utilisent des réseaux neuronaux pour analyser rapidement les schémas dans des données historiques, évitant ainsi la résolution d’équations physiques complexes.
Les prévisions météorologiques rapides et économes en énergie sont une nécessité dans un contexte où les phénomènes extrêmes se multiplient. Le Centre national américain de typhons (NOAA) a d’ailleurs annoncé récemment collaborer avec Google pour améliorer la prévision des cyclones tropicaux et tirer parti au maximum des progrès en intelligence artificielle dans ce domaine.
Tout en insistant sur le fait que « l’innovation dans la modélisation météorologique s’accélère », Tom Andersson, ingénieur de recherche chez Google DeepMind, rappelle que « ces outils restent dépendants des ensembles de données atmosphériques historiques et en temps réel, issus des centres de modélisation physique, ainsi que de la qualité et de la couverture continue du système d’observation terrestre. »
« C’est un nouvel arsenal puissant, mais aucun modèle ne peut être parfait. Il restera essentiel que les météorologues humains continuent à analyser une large gamme de prévisions notamment ML et modèles physiques lorsqu’il s’agit d’émettre des alertes publiques face à un cyclone. »
