Alors que le changement climatique intensifie les vagues de chaleur, les pluies extrêmes et les tempêtes violentes, la capacité à prévoir des événements météorologiques hors normes devient un enjeu crucial. Une étude menée par Sebastian Engelke, professeur au Research Institute for Statistics and Information Science de la Faculté d’économie et management (GSEM) de l’UNIGE, et par Zhongwei Zhang, ancien postdoctorant aujourd’hui affilié à l’Institut de statistiques de l’Institut de technologie de Karlsruhe, montre que les modèles de prévision météorologique traditionnels restent plus fiables que les modèles fondés sur l’intelligence artificielle (IA) pour anticiper ces phénomènes extrêmes. 
 
Depuis environ trois ans, l’IA a fait son entrée dans le domaine de la prévision météorologique. Des modèles basés sur l’intelligence artificielle complètent désormais l’approche numérique traditionnelle. Cette dernière s’appuie sur des modèles mathématiques complexes qui appliquent les lois de la physique à de grandes quantités de données – collectées par des stations météo, des satellites ou des avions – pour simuler l’état futur de l’atmosphère. Le Centre européen pour les prévisions météorologiques à moyen terme, par exemple, utilise un modèle appelé «High RESolution forecast» (HRES) pour fournir des simulations à 35 pays du continent. Fiable et robuste, cette méthode est aussi coûteuse et énergivore: elle nécessite un important parc de superordinateurs capables de résoudre des millions d’équations plusieurs fois par jour. «L’introduction récente de modèles basés sur l’intelligence artificielle a ouvert la voie à une simplification des processus et à une diminution de leurs coûts», explique Sebastian Engelke.
 
La question qui se pose dès lors est de savoir si cette approche basée sur une IA est capable de prédire la survenue, jusqu’à dix jours à l’avance, d’événements extrêmes souvent sans précédent. Et la réponse est négative: si les modèles fondés sur l’intelligence artificielle fournissent de très bonnes performances pour prédire la météo des jours ou semaines à venir, ils peinent à anticiper l’intensité et la fréquence d’événements exceptionnels. «Le principal problème de ces modèles est leur difficulté à généraliser au-delà des données sur lesquelles ils ont été entraînés, qui s’étendent entre 1979 et 2017, explique Zhongwei Zhang. Ils tendent ainsi à se limiter aux valeurs extrêmes déjà observées dans le passé, comme s’ils se heurtaient à un plafond implicite. À l’inverse, les modèles conventionnels, basés sur la physique atmosphérique, ne sont pas contraints par cette limite et peuvent théoriquement représenter des situations inédites.» 
 
Publiés dans Science Advances, ces résultats soulignent la nécessité de poursuivre l’évaluation et l’amélioration des modèles météorologiques basés sur l’IA avant de pouvoir les utiliser de manière autonome dans les systèmes d’alerte précoce et de gestion des catastrophes.