Restez toujours informé: suivez-nous sur Google Actualités (icone ☆)
GenCast se distingue en générant non pas une, mais une cinquantaine de prévisions simultanées, chacune représentant un scénario météorologique qui sont ensuite comparés pour proposer le scénario le plus probable. Cette approche, dite "par ensembles", permet de cerner avec finesse l'éventail des possibilités, une innovation clé dans un domaine où l'incertitude domine au-delà de quelques jours.
Mais comment l'IA atteint-elle de tels résultats ? En combinant la puissance des modèles de diffusion, souvent utilisés pour générer des images, et une adaptation spécifique à la géométrie sphérique de la Terre. Grâce à cette structure, GenCast peut tracer les évolutions climatiques complexes avec une précision inédite.
Ce modèle a été formé avec quatre décennies de données issues des archives ERA5 du Centre européen pour les prévisions météorologiques à moyen terme. Parmi les variables intégrées: température, vitesse du vent et pression atmosphérique. Ces informations permettent à l'IA d'apprendre les grands schémas climatiques et de fournir des prévisions détaillées à une résolution de 0,25 degré.
Lors des tests, GenCast a surpassé le système ENS, la référence mondiale actuelle, dans 97,2 % des cas, et même 99,8 % pour des délais supérieurs à 36 heures. En seulement huit minutes, le modèle produit une prévision de 15 jours avec un seul processeur TPU de Google Cloud, là où les méthodes classiques nécessitent des supercalculateurs et des heures de calcul.
Ces données montrent l'humidité spécifique et les trajectoires prévues du typhon Hagibis avant son arrivée au Japon. Les prévisions de GenCast, initialisées un jour ou 15 jours avant, restent nettes, mais les moyennes d'ensemble et les états perturbés apparaissent flous en raison de l'incertitude. Les spectres de puissance confirment une perte de résolution pour ces états flous. Les trajectoires montrent une incertitude importante à long terme, réduite à mesure que l'échéance approche.
Au-delà de la simple météo quotidienne, les capacités de GenCast s'avèrent importantes pour les phénomènes extrêmes, comme les cyclones et les vents violents. En anticipant ces événements avec plus d'exactitude, l'IA pourrait sauver des vies et limiter les dégâts matériels.
L'impact potentiel s'étend également aux énergies renouvelables. Une meilleure prévision des vents permettrait d'optimiser l'utilisation des éoliennes, renforçant ainsi la transition vers une énergie propre et durable.
Cependant, ce progrès n'écarte pas totalement les limites. GenCast repose sur des données passées, et son efficacité face à un climat en mutation reste incertaine. Les chercheurs insistent sur la nécessité de mises à jour fréquentes pour s'adapter aux nouvelles dynamiques climatiques.
En mettant à disposition les codes et données de GenCast, Google espère accélérer l'innovation dans ce domaine. L'objectif ? Allier l'intelligence artificielle et la météorologie traditionnelle.