Un cadre d'IA améliore les prévisions météorologiques sous-saisonnieres jusqu'à six semaines

Des chercheurs ont développé un cadre d'apprentissage automatique appelé Correction du Biais Probabiliste (PBC) qui améliore significativement la précision des prévisions météorologiques pour la fenêtre de deux à six semaines, une période connue sous le nom de prévision sous-saisonniale. Le cadre, détaillé dans un article publié dans Nature le 14 octobre 2026, corrige les erreurs systématiques des modèles dynamiques et d'intelligence artificielle existants, offrant des prévisions plus fiables pour les événements météorologiques extrêmes.

Comment fonctionne la Correction du Biais Probabiliste

La prévision sous-saisonniale est difficile car de petites erreurs dans les conditions initiales s'amplifient avec le temps, entraînant des inexactitudes significatives. La PBC remédie à cela en apprenant des erreurs passées d'un modèle. « Notre nouveau pipeline (PBC) prend votre modèle préféré en entrée et apprend de quelles manières il a tendance à commettre des erreurs. Il corrige ensuite ces erreurs, produisant une prévision de sortie meilleure pour l'échelle sous-saisonniale », a déclaré Lester Mackey, chercheur principal senior chez Microsoft Research New England.

Le cadre fonctionne en analysant les prévisions historiques et les observations pour identifier les biais systématiques. Il utilise deux composants complémentaires d'apprentissage automatique : Debias++, qui applique des corrections spécifiques à l'emplacement et à la date, et Persistence++, qui combine les prévisions avec les tendances météorologiques récentes. Ces corrections sont ensuite combinées pour produire une prévision probabiliste qui tient compte de l'incertitude.

Performance dans les compétitions mondiales

L'efficacité de la PBC a été démontrée lors de l'AI Weather Quest 2025, une compétition en temps réel organisée par le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF). Une équipe nommée MicroDuet, qui a appliqué la PBC au modèle dynamique de l'ECMWF et à un modèle hybride appelé POET, a obtenu les meilleurs résultats pour toutes les variables météorologiques et tous les délais de prévision lors de la saison inaugurale.

Selon l'article de Nature, MicroDuet a surpassé les prévisions dynamiques débiaisées de six centres de prévision opérationnels (ECMWF, NOAA, ECCC, HMCR, KMA et JMA), un ensemble multimodèle international et les systèmes de prévision de 34 équipes du monde entier. Lors de la saison septembre-octobre-novembre, MicroDuet a été le seul modèle à surpasser significativement le modèle ECMWF débiaisé pour toutes les variables et tous les délais de prévision.

Le cadre a également montré de solides résultats lorsqu'il a été appliqué au système de prévision par IA de l'ECMWF (AIFS-SUBS). La PBC a doublé le score de compétence de probabilité rangée moyenne (RPSS) de l'AIFS-SUBS pour toutes les variables et tous les délais de prévision en 2025. Lorsqu'elle a été appliquée au modèle dynamique de l'ECMWF, la PBC a amélioré la compétence pour 91 % des pressions, 92 % des températures et 98 % des cibles de précipitations par rapport aux protocoles de débiaisage opérationnels.

Applications réelles au Kenya

Au-delà des benchmarks compétitifs, la PBC est déployée dans des scénarios réels pour aider à la planification agricole. Genevieve Flaspohler, qui dirige Rhiza Research, travaille avec l'Autorité des services météorologiques du Kenya (KMSA) pour tester la PBC pour la prévision de la mousson. « Une bonne prévision météorologique, délivrée au bon moment, sur le bon canal de communication, peut être un grand différenciateur pour les résultats agricoles », a déclaré Flaspohler.

Le Dr Phillip Okello, météorologiste principal à la KMSA, a noté l'efficacité du cadre dans la région. « La plupart des corrections de biais ajustent simplement la quantité de pluie qu'une prévision prédit. La PBC corrige les probabilités elles-mêmes, et dans la Corne de l'Afrique, elle a amélioré nos prévisions plus que toute autre méthode que nous avons testée », a déclaré Okello. L'outil aide les prévisionnistes locaux à identifier la probabilité de pluies très fortes ou très faibles, ce qui est critique pour les agriculteurs qui dépendent des précipitations pour leurs cultures.

Pourquoi c'est important

Des prévisions sous-saisonniales précises sont essentielles pour gérer les risques associés aux événements météorologiques extrêmes, tels que les incendies de forêt, les inondations et les vagues de chaleur. En améliorant la fiabilité des prévisions à 2-6 semaines d'avance, la PBC peut aider les fournisseurs d'utilité, les agriculteurs et les intervenants en cas d'urgence à prendre de meilleures décisions. Judah Cohen, climatologue au MIT et co-auteur de l'étude, a souligné les avantages sociétaux : « Les événements météorologiques extrêmes ont le plus grand impact sur notre société et l'amélioration des prévisions de ces événements peut générer de grands avantages sociétaux. » Le cadre est open-source, le rendant accessible pour une adoption plus large dans les régions disposant d'une infrastructure de prévision limitée.

Sources (en anglais)

• nature.com: Advancing subseasonal forecasting with machine learning | Nature
• microsoft.com: New AI framework bridges a critical gap in mid-range weather forecasts - Microsoft Research
• gizmodo.com: Forget the 10-Day Forecast. AI Just Improved Extreme Weather Warnings Up to 6 Weeks Out

Traduction réalisée par IA de l’article original en anglais, vérifiée automatiquement pour dire la même chose que l’original. Les sources ont été vérifiées en anglais.