Quand une catastrophe approche, le timing est primordial. Sans avertissement suffisant pour mettre en œuvre une planification d’urgence efficace, même les villes les mieux dotées peuvent être dévastées par des phénomènes climatiques extrêmement violents.
Prenons l’exemple de la crise d’électricité qui a frappé le Texas en février 2021. Trois tempêtes hivernales successives — dont la tempête Uri — ont privé des millions de personnes d’électricité et de chaleur, contribuant à 246 décès. Si les services publics avaient eu plus de temps pour sécuriser les approvisionnements en gaz naturel, renforcer les infrastructures et prévenir leurs usagers, le bilan aurait peut-être été moins lourd.
Le problème, c’est que prévoir le temps sur une période de deux à six semaines est notoirement difficile. Passé les deux semaines, de petites différences dans les conditions atmosphériques actuelles peuvent conduire à des résultats météorologiques sensiblement différents, rendant une prévision unique et déterministe peu fiable. Les météorologues s’appuient plutôt sur des prévisions probabilistes, qui utilisent plusieurs simulations de modèles pour estimer la probabilité de différents scénarios.
Mais ces prévisions ont leurs propres limites. À mesure que les modèles simulent le temps par étapes successives, les erreurs peuvent s’accumuler, réduisant leur précision sur plusieurs semaines. Même les modèles numériques de référence du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) et les modèles d’IA remarquables comme la famille WeatherNext de Google DeepMind peinent avec cette plage « subseasonnelle ».
Un nouveau « wrapper » pourrait aider à cela. Cet outil de post-traitement, décrit dans un article publié aujourd’hui dans la revue Nature, utilise l’apprentissage automatique pour corriger les erreurs systématiques des modèles de prévision et améliorer la précision de leurs perspectives subseasonnelles.
Lors du concours de prévision en temps réel de l’ECMWF en 2025, l’outil a produit les prévisions mondiales les plus précises pour toutes les variables météorologiques et pour toutes les périodes de prévision, surpassant les modèles numériques de six centres de prévision opérationnels, un ensemble international de modèles numériques, le propre modèle d’IA de l’ECMWF, et les systèmes de prévision de 34 équipes concurrentes dans le monde.
« C’est agnostique par rapport au modèle, et l’étude montre que, que ce soit un modèle plus traditionnel ou un modèle d’IA plus récent, nous pouvons corriger ces erreurs qui sont systémiques au modèle », a déclaré Judah Cohen, climatologue et chercheur au Massachusetts Institute of Technology, à Gizmodo. « En les corrigeant simplement, nous pouvons transformer un modèle peu habile en un modèle habile. »
Innover des prévisions plus exploitables
Cohen a conçu, avec Lester Mackey, chercheur en apprentissage statistique chez Microsoft, l’outil de correction probabiliste des biais (PBC), que Cohen attribue à l’idée initiale d’utiliser l’apprentissage automatique pour réduire les erreurs dans les modèles de prévision. Le duo a collaboré pendant plus d’une décennie pour mener cette idée à maturité.
Leur travail, soutenu par des étudiants du MIT, des postdoctorants et d’autres chercheurs chez Microsoft, a clairement porté ses fruits. Lorsqu’il a été testé sur les modèles numériques et d’IA de pointe de l’ECMWF, le wrapper PBC a doublé la précision subseasonnelle du système d’IA et amélioré l’habileté du modèle numérique sur 91% des cibles de pression, 92% des cibles de température et 98% des cibles de précipitations.
Dans la nouvelle étude publiée dans Nature, Cohen, Mackey et leurs collègues démontrent que l’outil PBC peut améliorer les prévisions terrestres dans la plupart des régions du monde. Ils ont aussi montré des améliorations significatives d’autres modèles, les plaçant au niveau des systèmes d’avant-garde du ECMWF. Mais, selon Cohen, la découverte la plus importante demeure que l’outil PBC améliore les prévisions des phénomènes météorologiques extrêmes sur la période subseasonnelle.
« Les phénomènes climatiques extrêmes ont le plus grand impact sur notre société et de meilleures prévisions de ces événements peuvent générer d’importants bénéfices sociétaux », a-t-il déclaré. « Fait intéressant, des schémas antérieurs de correction de biais avaient en réalité empiré les prévisions des extrêmes, et notre modèle montre une amélioration nette des prévisions des phénomènes extrêmes. »
Pour les prévisions effectuées trois semaines à l’avance, le wrapper PBC a nettement amélioré la capacité du modèle numérique ECMWF à prédire la chaleur extrême, les précipitations extrêmes et une pression atmosphérique au niveau de la mer étonnamment élevée. Les chercheurs ont également testé l’outil sur des inondations réelles survenues au cours de la dernière décennie, constatant que cela améliorait la compétence de prévision des inondations de 76% à 92%. Pour les crues sévères — celles ayant causé plus de 100 décès ou déplacé au moins 80 000 personnes — cela a renforcé la compétence de prévision de 86% à 150%.
Cohen espère que l’outil mènera à des prévisions de phénomènes extrêmes plus exploitables. L’un des avantages clés de ce cadre PBC est qu’il est open-source et ne nécessite pas l’usage d’un superordinateur pour fonctionner, ce qui le rend accessible même dans des régions où le financement et l’infrastructure pour les prévisions météorologiques sont limités. Le service météorologique de la République du Kenya expérimente déjà l’outil pour améliorer les prévisions de la mousson, a-t-il précisé.
Alors que le changement climatique entraîne des manifestations météorologiques plus extrêmes et anormales, donner aux communautés davantage de temps pour se préparer à ces événements s’avère inestimable. Repousser les limites de la prévision subseasonnelle grâce à des outils comme le PBC pourrait, à terme, sauver des vies et réduire les dégâts.
