Microsoft Research publie dans Nature une étude sur les prévisions météorologiques par IA

Une équipe dirigée par Microsoft Research a publié une étude dans Nature le 14 octobre 2026, présentant la correction probabiliste des biais (PBC), un cadre d’apprentissage automatique qui, selon les auteurs, améliore les prévisions météorologiques de deux à six semaines à l’avance, ainsi qu’une mise à disposition du code en open source.

L’étude indique que, même si les systèmes dynamiques et les systèmes d’IA modernes produisent des prévisions exactes jusqu’à environ deux semaines à l’avance, leur fiabilité chute brutalement à l’échelle infra-saisonnière, entre deux et six semaines à l’avance, en raison de l’accumulation des erreurs, des biais systématiques des modèles et de la nature chaotique de l’atmosphère. Les auteurs présentent PBC comme un cadre qui réduit les erreurs systématiques en apprenant à corriger les prévisions probabilistes historiques d’un modèle et en opérant directement sur des distributions de probabilité plutôt que sur des observations brutes.

Hannah Guan et Soukayna Mouatadid ont contribué à parts égales à ces travaux, et Guan a mené ses recherches en tant que stagiaire chez Microsoft Research ; Judah Cohen, du MIT, et Lester Mackey, de Microsoft Research, sont les auteurs correspondants. L’équipe compte 13 auteurs affiliés à Microsoft Research, Microsoft, au MIT, à Harvard College, à l’Université de Toronto, à l’IMPA, au Janus Research Group, à Rhiza Research et à l’ECMWF. Selon les informations consignées par Nature, l’article a été reçu le 17 avril 2026 et accepté le 4 septembre 2026.

Fonctionnement de PBC et méthode d’évaluation

À partir d’un ensemble brut de prévisions déterministes, PBC commence par le convertir en une prévision probabiliste initiale, évaluée à l’aide de classes de quantiles climatologiques. Deux modèles d’apprentissage automatique appliquent ensuite en parallèle des corrections complémentaires : Debias++ modifie la prévision au moyen d’ajustements propres au lieu, à la date et au quantile, appris en minimisant l’erreur de prévision probabiliste sur des périodes d’entraînement sélectionnées de manière adaptative ; Persistence++ combine la prévision avec des observations décalées et la climatologie afin de saisir les tendances météorologiques récentes et les effets liés au jour de l’année. Les deux corrections sont projetées dans l’espace des fonctions de répartition cumulées valides, puis moyennées pour produire la prévision finale de PBC.

L’équipe a évalué les prévisions selon les conventions du concours AI Weather Quest d’ECMWF : température moyenne à 2 mètres et précipitations totales sur les terres, ainsi que pression moyenne au niveau de la mer, sur une grille mondiale de 1,5 degré comportant cinq classes de quintiles, aux échéances de la troisième semaine (jours 19 à 25) et de la quatrième semaine (jours 26 à 32). Les prévisions ont été évaluées à l’aide du score de compétence probabiliste classé (RPSS), par rapport à une référence climatologique. La vérité terrain était constituée des réanalyses ERA5 de 1979 à 2026, recalculées sur une grille de résolution de 1,5 degré ; le jeu de test par défaut couvrait les dates cibles des lundis et vendredis, à l’exclusion du 29 février, sur la période 2016–2024. Les auteurs indiquent que PBC est assez léger pour être réentraîné progressivement chaque jour à partir des seules données de réanalyse et de prévisions des modèles disponibles à chaque date d’émission, ce qui reproduit les conditions d’un déploiement opérationnel.

Gains de performance avec les modèles dynamiques et d’IA

L’article décrit l’ensemble dynamique d’ECMWF comme étant largement considéré comme le modèle météorologique le plus précis au monde et comme la référence absolue pour évaluer les performances à l’échelle infra-saisonnière. Appliqué à cet ensemble sur la période 2016–2024, PBC a, selon l’étude, triplé le score de compétence positif du modèle brut pour les précipitations, qui était de 0,023 RPSS, et transformé en prévisions fiables les prévisions de température et de pression dont le score de compétence était négatif. Par rapport aux prévisions opérationnelles d’ECMWF corrigées des biais, les auteurs indiquent que PBC a augmenté le RPSS de 26 à 37 % pour la température et de 16 à 32 % pour la pression, avec des gains dans 98 % des cellules de la grille pour les précipitations, 91 à 92 % pour la température et 89 à 91 % pour la pression au niveau de la mer.

L’étude indique que PBC a également amélioré les systèmes fondés sur l’IA. Appliqué à AIFS-SUBS, le modèle d’apprentissage profond d’ECMWF destiné aux prévisions infra-saisonnières, PBC a doublé le RPSS moyen du modèle, qui était de 0,03, pour l’ensemble des variables et des échéances pendant l’année de test 2025. Appliqué à POET, un système hybride qui post-traite l’ensemble d’ECMWF à l’aide de réseaux neuronaux convolutifs et de transformeurs, PBC a apporté en 2024 des gains de 68 à 98 % pour les précipitations, de 15 à 23 % pour la pression moyenne au niveau de la mer et de 5 à 7 % pour la température, selon l’article. Les auteurs indiquent également que PBC-ECMWF a affiché des gains de performance marqués par rapport au modèle d’apprentissage profond FuXi-S2S au cours des années de test 2017 à 2021 : le score s’est amélioré dans 99 à 100 % des cellules de la grille pour la température, 97 à 99 % pour les précipitations et 96 à 100 % pour la pression moyenne au niveau de la mer.

Résultats en compétition et prévisions d’événements extrêmes

Pour évaluer les performances en temps réel, l’équipe a inscrit au concours AI Weather Quest 2025 d’ECMWF un ensemble de PBC-ECMWF et PBC-POET baptisé MicroDuet. Selon l’article, MicroDuet est arrivé en tête pour toutes les variables météorologiques et toutes les échéances lors de la première saison, de septembre à novembre, devançant les modèles dynamiques corrigés des biais de six centres de prévision opérationnels (ECMWF, NOAA, ECCC, HMCR, KMA et JMA), un ensemble multimodèle dynamique composé de six modèles, trois versions d’AIFS-SUBS et les systèmes de prévision de 34 équipes du monde entier ; il a également dominé les deux échéances pendant la saison de décembre à février. Pour les deux saisons réunies, indiquent les auteurs, MicroDuet était la seule soumission à surpasser de manière significative les prévisions d’ECMWF corrigées des biais (P < 0,05) pour toutes les variables et toutes les échéances.

L’ECMWF a décrit la même compétition dans un billet scientifique du 13 mars 2026, indiquant que 42 équipes avaient soumis des prévisions à l’aide de 74 modèles portant chacun un nom distinct lors des deux premières périodes de compétition, et que le modèle de post-traitement MicroDuet de l’équipe MicroEnsemble avait régulièrement dominé le classement et largement surpassé le Système intégré de prévision de l’ECMWF pour toutes les variables et toutes les échéances.

L’article indique également qu’en novembre 2025, la prévision de température en temps réel à quatre semaines de MicroDuet avait anticipé une vague d’air froid dans l’est des États-Unis en décembre 2025, que la prévision de l’ECMWF corrigée du biais n’avait pas détectée.

Pour prévoir les événements extrêmes, les auteurs ont entraîné PBC sur des incréments de semi-décile (quantile de 5 %), en définissant les pics extrêmes comme des événements dont les valeurs observées dépassaient le 95e percentile et les creux extrêmes comme ceux situés sous le 5e percentile, puis ont mesuré la performance à l’aide du score de compétence de Brier. Pour les pics extrêmes à trois semaines sur la période 2016–2024, l’étude indique que PBC a amélioré de 51 % la performance de l’ECMWF corrigée opérationnellement du biais pour la température et de 39 % pour la pression, avec des gains par cellule de grille de 96 % pour les précipitations, de 89 % pour la pression au niveau de la mer et de 85 % pour la température.

Pour les 2 435 inondations répertoriées par le Système mondial d’alerte et de coordination en cas de catastrophe (GDACS) entre 2016 et 2026, les auteurs rapportent que PBC a amélioré de 76 à 92 % la performance des prévisions d’inondation à trois semaines, tandis que la correction opérationnelle du biais ramenait vers zéro la performance de référence brute de l’ECMWF, comprise entre 0,04 et 0,06. Pour 88 inondations graves, définies par le GDACS comme des événements causant plus de 100 décès ou entraînant le déplacement de 80 000 personnes, l’article indique que PBC a amélioré de 86 à 150 % la performance des prévisions d’inondations graves. Les auteurs affirment que ces gains de performance probabiliste se traduisent par une prévision plus précise des événements extrêmes et pourraient améliorer la planification agricole, la gestion de l’énergie et la préparation aux catastrophes dans les communautés vulnérables.

Code open source et contexte de la recherche

Le code de PBC est disponible sur GitHub sous licence MIT et archivé sur Zenodo, avec le code permettant de reproduire l’étude ; le dépôt précise que la base de code Python a été testée sous Rocky Linux 8.10 avec Python 3.13.3. Une prépublication des auteurs a été soumise à arXiv le 17 avril 2026 et révisée pour la dernière fois le 4 septembre 2026, et la page des publications de Microsoft Research date ces travaux d’avril 2026.

Dans la discussion de l’article, l’équipe explique que PBC vise les erreurs prévisibles plutôt que de tenter de réapprendre la dynamique atmosphérique. Elle le présente comme un outil de post-traitement, et non comme un substitut à l’amélioration des modèles d’entrée, ainsi que comme une stratégie peu coûteuse en ressources pour les centres météorologiques, y compris ceux qui disposent de moyens limités. Les déclarations de financement mentionnent le soutien de FAPERJ à Orenstein, une subvention de la National Science Foundation des États-Unis à Cohen et le financement d’EU Destination Earth pour les auteurs de l’ECMWF ; la déclaration relative aux conflits d’intérêts précise que plusieurs auteurs sont employés par Microsoft ou détiennent des actions de l’entreprise.