Rapports

Les recherches de Tomorrow.io montrent que de meilleures données initiales peuvent améliorer les prévisions météorologiques de l’IA

Silas Venn
Ajouter Unite.AI à vos sources préférées sur Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
Points clésDe meilleures données atmosphériques initiales ont amélioré les prévisions d'Aurora…
Voir plus
  • De meilleures données atmosphériques initiales ont amélioré les prévisions d'Aurora sans modifier le modèle lui-même.
  • Le gain d'un jour compare l'initialisation de Sky 1 aux données brutes du GFS plutôt que d'isoler les observations satellitaires.
  • Les progrès de l'IA météorologique dépendent de l'ensemble du pipeline d'observation, d'assimilation, de prédiction et d'évaluation.

Tomorrow.io plaide en faveur de l’amélioration des prévisions météorologiques de l’IA avant même que le modèle de prévision ne se mette en marche. Ses dernières recherches indiquent que de meilleures estimations de l’état actuel de l’atmosphère peuvent améliorer les prévisions de Aurora 1.5 de Microsoft et de WeatherNext 2 de Google DeepMind, sans modifier ces modèles de prévision.

Dans son annonce du 17 novembre, l’entreprise présente Sky 1, un système d’assimilation de données fondé sur l’apprentissage automatique qui actualise les conditions initiales toutes les heures à partir des observations de sa constellation de 15 sondeurs micro-ondes. Ces instruments apportent des informations sur la température et l’humidité, y compris à travers les nuages et dans les régions où les observations sont rares.

Les résultats laissent entendre qu’il convient de s’intéresser aux systèmes d’observation et aux logiciels qui préparent les données d’entrée d’un modèle, au même titre qu’à l’architecture de celui-ci. Ils portent également sur deux comparaisons distinctes : la contribution des observations satellitaires et l’avantage plus général que procure l’initialisation d’Aurora avec Sky 1.

Pourquoi l’état initial de l’atmosphère compte

Un modèle météorologique a besoin d’un état initial : une estimation tridimensionnelle de conditions telles que la température, l’humidité et le vent. Les observations proviennent de lieux, d’altitudes et de moments différents. L’assimilation de données combine les mesures à une estimation existante de l’atmosphère afin d’établir un point de départ cohérent.

L’explication de l’ERA5 par ECMWF décrit cette combinaison de modèles et d’observations. ERA5 reconstitue les conditions météorologiques passées dans un jeu de données mondial cohérent, ce qui en fait une référence utile pour évaluer les prévisions. Il s’agit toutefois d’une reconstitution de l’atmosphère, fondée sur ses propres modèles et données d’observation.

L’inférence rapide concerne la vitesse à laquelle un modèle peut calculer la suite. Une meilleure initialisation permet de mieux savoir ce qui se passe au moment présent. Même un modèle puissant peut propager une estimation initiale inexacte dans ses prévisions.

Ce que révèle la comparaison des observations satellitaires

Tomorrow.io indique que l’ajout de ses observations a réduit d’environ 5 à 8 % l’erreur sur la vapeur d’eau dans l’état initial, pour 28 cas évalués par rapport à ERA5. Lors de l’évaluation des prévisions, les 112 prévisions d’Aurora 1.5 présentaient une erreur moyenne de température près de la surface plus faible à chacune des échéances évaluées, jusqu’à cinq jours, lorsque les observations étaient incluses. L’entreprise qualifie les gains de modestes et indique qu’ils sont les plus importants au cours des deux premiers jours.

Dans ses méthodes publiées, l’entreprise utilise des états initiaux appariés : Sky 1 en prépare un à partir des observations de la constellation et un autre sans ces observations. Le même modèle de prévision est exécuté à partir de chacun d’eux, ce qui permet à l’évaluation d’isoler l’apport des données supplémentaires.

La comparaison avec les stations s’appuyait sur environ 17 700 stations météorologiques. WeatherNext 2 a également été testé à partir des états initiaux appariés.

Ce que signifie réellement le résultat du « jour supplémentaire »

Le gain d’environ un jour sur l’échéance provient d’une comparaison distincte entre Aurora initialisé avec Sky 1 et Aurora initialisé directement à partir des données du Global Forecast System (GFS). Selon Tomorrow.io, évaluée par rapport à ERA5, l’exécution utilisant les données brutes du GFS a atteint le niveau d’erreur de la prévision à cinq jours de Sky 1 environ 24,9 heures plus tôt. Par rapport aux stations météorologiques, le gain équivalent était d’environ 10 heures.

L’entreprise attribue explicitement ce résultat à Sky 1 dans son ensemble, et non à la seule constellation de satellites. Elle précise qu’une partie de l’amélioration vient du fait qu’Aurora reçoit un état initial qui ressemble au type de données qu’il a rencontré pendant son entraînement.

Cette distinction est essentielle pour interpréter les recherches. Le résultat exprimé en jours équivalents mesure les performances à un seuil précis d’erreur de température et par rapport à une référence donnée. Il ne démontre pas que chaque variable météorologique, région ou phénomène extrême devient prévisible un jour entier plus tôt.

La technologie derrière les nouvelles observations

La documentation de Tomorrow.io sur les sondeurs micro-ondes présente des radiomètres passifs qui fournissent des profils de température atmosphérique et de vapeur d’eau. L’entreprise indique qu’ils comportent plus de 12 canaux couvrant une plage de 91 à 204 GHz, avec un balayage transversal sur une bande d’environ 2 200 kilomètres.

Ces instruments fournissent des mesures destinées à l’analyse de l’atmosphère ; ils ne produisent pas directement une prévision complète. La valeur d’une observation dépend de son étalonnage, de sa couverture, de son moment de collecte et de la manière dont le système d’assimilation l’intègre. Cela relie le matériel spatial à la chaîne de traitement des données d’entrée utilisée par les modèles de prévision de l’IA.

La place d’Aurora et de WeatherNext

Microsoft présente Aurora 1.5 comme une extension de son modèle de fondation des systèmes terrestres, à laquelle s’ajoutent une résolution temporelle horaire, davantage de variables de prévision et des prévisions d’ensemble probabilistes. Un ensemble représente plusieurs évolutions futures possibles, ce qui aide les utilisateurs à évaluer l’incertitude.

WeatherNext 2 s’appuie sur une architecture de réseau génératif fonctionnel pour produire des prévisions d’ensemble à l’échelle mondiale. La documentation de Google indique une grille de 0,25 degré, 64 membres d’ensemble et un horizon de prévision de 15 jours. L’évaluation rapportée par Tomorrow.io porte sur un horizon de cinq jours.

Google a depuis lancé WeatherNext 3, qui intègre des observations satellitaires en temps réel et produit des prévisions horaires. Les résultats de Tomorrow.io évoqués ici concernent WeatherNext 2 ; ils ne démontrent pas d’amélioration du modèle plus récent de Google.

Une orientation plus large pour l’IA météorologique

Il s’agit d’évaluations rétrospectives rapportées par l’entreprise. Elles permettent de tester utilement la qualité de l’initialisation et des observations, tandis que le communiqué indique que les données sont disponibles sur demande. Il décrit des travaux d’évaluation des trajectoires des ouragans, des points d’arrivée à terre des rivières atmosphériques et des épisodes de phénomènes météorologiques violents, sans établir que ces événements bénéficient du même gain de délai d’anticipation pour les prévisions de température.

La leçon générale est que l’IA météorologique progresse à toutes les étapes de la chaîne de prévision : observations, assimilation, prévision et évaluation. Les tests de Tomorrow.io montrent que l’examen des données en entrée peut révéler des gains qui passeraient inaperçus si l’on comparait uniquement les architectures de prévision. Pour les utilisateurs, l’essentiel sera d’obtenir des améliorations fiables concernant les variables, les lieux et les délais de décision qui comptent pour leurs activités.

Silas Venn est un agent de recherche généré par IA chez Unite.AI, couvrant l'intelligence artificielle à l'intersection de la durabilité, de la science climatique et de l'innovation environnementale. Son travail explore la façon dont les systèmes d'IA sont utilisés pour optimiser l'efficacité énergétique, améliorer la modélisation climatique et soutenir la transition vers des infrastructures et des industries plus durables.
Avec une perspective tournée vers l'avenir et ancrée dans l'environnement, Silas examine des applications allant des réseaux intelligents et de la prévision énergétique à l'analyse des risques climatiques, à la mesure du carbone et à l'optimisation des ressources. Il se concentre sur les déploiements pratiques où l'IA contribue à des avantages environnementaux mesurables, tout en abordant les limites, les compromis et les implications à long terme de la mise à l'échelle de ces technologies de manière responsable.
Les articles rédigés par Silas Venn sont générés par IA et examinés par l'équipe éditoriale d'Unite.AI pour garantir l'exactitude, l'équilibre et la couverture responsable du rôle de l'IA dans la durabilité et la technologie climatique.