WeatherNext de DeepMind veut repousser plus loin les prévisions de cyclones

DeepMind s’attaque à une lacune de longue date dans la prévision des cyclones

Google DeepMind a présenté WeatherNext Cyclones, ou WN-C, un système d’intelligence artificielle conçu pour prévoir les cyclones tropicaux en anticipant à la fois la trajectoire d’une tempête et son intensification. Cette combinaison compte, car la prévision opérationnelle est depuis longtemps partagée entre deux atouts : certains modèles sont meilleurs pour les trajectoires, tandis que d’autres excellent dans l’intensité. Selon le rapport fourni, WN-C est destiné à prendre en charge ces deux tâches dans un seul système et, lors des tests, à prolonger d’environ un jour la qualité utile des prévisions par rapport aux principales approches opérationnelles.

Le modèle a été développé avec le National Hurricane Center des États-Unis, le Cooperative Institute for Research in the Atmosphere et le Met Office britannique. DeepMind diffuse également des prévisions en direct sur Google Weather Lab depuis juin 2025, ce qui suggère que l’entreprise présente le système non seulement comme une démonstration de recherche, mais comme quelque chose de plus proche d’un outil opérationnel d’aide à la décision.

Pourquoi l’intensité des cyclones reste un problème difficile

La prévision des cyclones tropicaux s’est régulièrement améliorée au fil des décennies, mais pas de manière uniforme sur toutes les tâches. Prévoir la trajectoire d’une tempête est devenu en général plus fiable que prévoir les changements rapides de sa force. La source fournie décrit cela comme un compromis intégré à l’écosystème actuel des modèles. Les systèmes mondiaux comme l’ensemble du Centre européen pour les prévisions météorologiques à moyen terme sont solides pour guider les trajectoires, mais leur résolution grossière limite leur capacité à bien représenter l’intensité. Les modèles régionaux spécialisés comme le Hurricane Analysis and Forecast System de la NOAA peuvent affiner les estimations d’intensité, mais ils peuvent sacrifier la performance sur la trajectoire.

Ce compromis n’a rien d’abstrait. Les responsables des urgences, les assureurs, les services publics, les exploitants de ports et les autorités locales ont souvent besoin des deux réponses en même temps : la tempête frappera-t-elle, et arrivera-t-elle comme un cyclone modéré ou comme une menace majeure à intensification rapide ? Si un modèle peut améliorer les deux dans un seul flux de travail, il pourrait simplifier les opérations de prévision tout en réduisant l’incertitude pendant les fenêtres de préparation les plus critiques.

À quoi ressemblent les gains rapportés

Selon la source candidate, WN-C a surpassé les systèmes comparatifs à la fois sur les métriques de trajectoire et d’intensité. Pour des prévisions à cinq jours, la position estimée du centre de la tempête s’est écartée en moyenne de 230 kilomètres, contre 370 kilomètres pour l’ENS de l’ECMWF et 335 kilomètres pour l’ancien modèle GenCast de DeepMind. Sur les prévisions d’intensité à trois jours, WN-C a été annoncé comme 3,75 nœuds plus précis que HAFS.

Le rapport indique aussi que le modèle a plus que doublé les performances de l’ENS et de GenCast sur les prévisions probabilistes d’intensité à plusieurs horizons. C’est particulièrement pertinent pour les seuils de force des ouragans, où les décideurs ne cherchent pas seulement une vitesse de vent projetée, mais des probabilités qu’une tempête franchisse des niveaux de danger clés. Dans cette optique, WN-C semble moins être un remplacement d’une simple ligne de trajectoire déterministe qu’un outil de planification fondée sur le risque.

Un exemple opérationnel cité dans la source était l’ouragan Melissa en 2025. DeepMind a indiqué que le modèle avait aidé le National Hurricane Center à détecter à temps une intensification rapide. L’intensification rapide est l’un des problèmes de prévision les plus difficiles et les plus importants sur le plan opérationnel, car les tempêtes qui se renforcent vite peuvent dépasser les décisions d’évacuation et la préparation des infrastructures.

Des données plus grossières, des résultats plus forts

L’une des affirmations les plus frappantes de la source est que WN-C fonctionne à partir de données bien plus grossières que celles utilisées par les modèles régionaux spécialisés. L’espacement de grille annoncé est d’environ 28 kilomètres, et même une version compacte fonctionne à 111 kilomètres. Malgré cela, DeepMind dit que le modèle surpasse des systèmes qui dépendent de détails spatiaux beaucoup plus fins.

Cela ouvre deux implications possibles. La première est pratique : si le modèle tire plus de valeur prédictive d’entrées à plus faible résolution, il peut réduire les coûts de calcul et élargir l’accès à des prévisions de haute qualité. La seconde est scientifique : cela suggère que les systèmes d’IA peuvent apprendre des schémas d’évolution des tempêtes à partir de contextes atmosphériques larges d’une manière qui ne correspond pas clairement aux attentes traditionnelles en matière de résolution et de qualité des prévisions.

La source note que même les développeurs de DeepMind n’expliquent pas entièrement pourquoi le système fonctionne aussi bien. C’est une réserve importante. De solides résultats de benchmark peuvent laisser ouvertes des questions sur la robustesse, les cas limites, les modes de défaillance et l’interprétabilité. En prévision météorologique à haut enjeu, ces questions comptent presque autant que la précision brute.

Pourquoi cette publication compte au-delà d’un seul modèle

L’importance plus large de WN-C est qu’elle reflète un changement dans la manière dont l’IA entre dans la science opérationnelle. Il ne s’agit pas simplement d’une surcouche de type chatbot appliquée aux données météorologiques. C’est un système de prévision spécifique à un domaine, conçu pour un problème où de meilleures performances peuvent se traduire directement par des alertes plus précoces, des évacuations plus ciblées et une meilleure protection des infrastructures énergétiques, de transport et de communication.

La source présente le gain de performance comme équivalant à peu près à une décennie de progrès en prévision météorologique traditionnelle. Même si cette comparaison se révèle trop optimiste dans un usage réel plus large, le message est clair : les modèles météo basés sur l’IA passent du statut de compléments expérimentaux à celui de systèmes susceptibles d’influencer la pratique de prévision de première ligne.

Cela ne signifie pas que les modèles classiques disparaîtront. La prévision opérationnelle repose généralement sur des ensembles, des vérifications croisées et l’expertise humaine, pas sur un seul modèle gagnant. Mais WN-C met la pression sur le secteur en montrant que les systèmes d’IA ne sont plus confinés à des niches étroites de prévision. S’ils peuvent améliorer à la fois la trajectoire et l’intensité, l’un des compromis opérationnels les plus persistants dans la prévision des cyclones pourrait commencer à se réduire.

Ce qu’il faut surveiller ensuite

La prochaine question est de savoir si les victoires observées dans les benchmarks publiés se maintiennent au fil des saisons de tempêtes à venir, dans différents bassins océaniques et lors de rares événements extrêmes. Les prévisionnistes voudront aussi savoir comment le modèle se comporte lorsque les conditions atmosphériques sortent de son historique d’entraînement, et s’il peut être intégré proprement aux chaînes d’alerte et de conseil existantes.

Pour l’instant, WeatherNext Cyclones apparaît comme une avancée significative de l’IA appliquée au risque météorologique. L’affirmation la plus importante n’est pas seulement qu’il est meilleur que les systèmes d’IA précédents, mais qu’il pourrait améliorer à la fois les modèles opérationnels spécialisés et globaux, dans le domaine où les erreurs de prévision peuvent avoir le coût humain et économique le plus élevé.

Cet article s’appuie sur un reportage de The Decoder. Lire l’article original.