Une intelligence artificielle spécialisée peut prévoir la trajectoire des cyclones avec une avance dépassant 30 heures, sans perdre la précision des méthodes de référence.
Prévoir où passera un cyclone repose habituellement sur plusieurs modèles météorologiques. Ceux-ci calculent l'évolution de l'atmosphère à partir des lois de la physique. Les prévisionnistes comparent ensuite leurs résultats et tiennent compte de leurs incertitudes. Cette méthode demande beaucoup de calculs, notamment lorsqu'il faut produire de nombreux scénarios possibles.
Image Wikimedia
Le système présenté dans Nature suit une autre voie. Il apprend à partir de vastes ensembles de données météorologiques et d'archives de cyclones. Il peut ensuite produire de nombreux scénarios décrivant l'évolution possible de l'atmosphère et la position future du cyclone. Ces prévisions s'étendent jusqu'à 15 jours.
L'intérêt vient surtout du temps gagné. À précision comparable pour la trajectoire, le système atteint certains niveaux de qualité plus de 30 heures avant les méthodes utilisées comme références. Autrement dit, une information sur le passage probable d'un cyclone peut devenir suffisamment fiable plus d'une journée plus tôt.
Cette avance compte directement pour les régions menacées. Quelques dizaines d'heures supplémentaires peuvent donner davantage de temps pour préparer des évacuations, protéger des infrastructures ou organiser les secours. Une trajectoire reste cependant une prévision probabiliste : plusieurs chemins demeurent possibles, surtout plusieurs jours avant l'arrivée du phénomène.
Pour tenir compte de cette incertitude, le modèle ne calcule pas une seule évolution de l'atmosphère. Il génère un ensemble de scénarios. Si beaucoup d'entre eux suivent une route proche, les prévisionnistes disposent d'un signal plus robuste. S'ils divergent fortement, cette dispersion indique au contraire que la trajectoire reste incertaine.
Le système a déjà franchi l'étape du laboratoire. Google DeepMind a travaillé avec le National Hurricane Center américain pour fournir ses prévisions aux spécialistes pendant une saison cyclonique. Selon une présentation de la NOAA consacrée à cette expérimentation, ces données ont servi de guide opérationnel aux prévisionnistes.
Les modèles d'intelligence artificielle ne résolvent pourtant pas toutes les difficultés. Des travaux antérieurs montrent qu'ils peuvent être très performants pour suivre la route d'un cyclone, mais moins fiables pour prévoir sa puissance. La vitesse maximale des vents et son évolution rapide restent notamment difficiles à reproduire correctement.
L'étape suivante consiste donc à évaluer ces prévisions sur davantage de cyclones et de saisons, notamment pour les changements rapides d'intensité. Leur usage opérationnel dépendra aussi de la fiabilité des probabilités fournies, car les décisions d'alerte reposent autant sur l'incertitude que sur la trajectoire la plus probable.