Google DeepMind a publié GenCast, un modèle avancé de prévision météorologique basé sur l’IA qui surpasse les systèmes traditionnels en termes de vitesse et de précision.
Testé par rapport au Système ENS du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), GenCast a fourni des prévisions supérieures dans 97,2 % des scénarios évalués, établissant ainsi une nouvelle norme en météorologie.
En tirant parti du machine learning pour analyser des décennies de données historiques, le modèle offre des informations exploitables sur les conditions météorologiques extrêmes, la planification des énergies renouvelables et la préparation aux catastrophes.
« La météo touche essentiellement tous les aspects de nos vies… c’est aussi”La prévision météorologique constitue l’un des grands défis scientifiques”, déclare Ilan Price, chercheur scientifique principal chez DeepMind.”Google DeepMind a pour mission de faire progresser l’IA au profit de l’humanité. Et je pense que c’est une voie importante, une contribution importante sur ce front.”
Puissance sans précédent dans les prévisions météorologiques
Contrairement aux modèles traditionnels basés sur la physique qui simulent les processus atmosphériques à l’aide d’équations, GenCast utilise l’apprentissage automatique pour identifier modèles en 40 années de données météorologiques mondiales provenant des archives ERA5 du CEPMMT.
Les L’innovation du modèle réside dans l’utilisation d’un nouvel algorithme de diffusion, un outil génératif de pointe Technique d’IA qui affine les données bruitées étape par étape pour produire des prévisions réalistes.
Chaque prévision s’étend sur 15 jours avec une résolution de 0,25° de latitude et de longitude, couvrant plus de 80 variables atmosphériques et de surface, telles que la vitesse du vent. , la température et la pression.
GenCast utilise la prévision d’ensemble, produisant au moins 50 scénarios météorologiques possibles pour une période donnée. Cette approche tient compte des incertitudes et aide les décideurs à mieux se préparer à une gamme de résultats.
L’efficacité de GenCast est sans précédent. Une prévision d’ensemble complète sur 15 jours peut être générée en seulement huit minutes à l’aide d’un seul Google Cloud TPU v5. En revanche, les systèmes traditionnels comme l’ENS s’appuient sur des superordinateurs, ce qui prend des heures pour produire des prévisions d’une ampleur similaire.
Source : nature
Focus sur les événements météorologiques extrêmes
La capacité de GenCast à prédire les conditions météorologiques extrêmes est devenue une caractéristique déterminante. Lors des évaluations, le modèle a excellé dans la prévision de la trajectoire du typhon Hagibis en 2019, sept jours avant qu’il ne touche terre au Japon.
À l’approche de la tempête, l’ensemble de GenCast a considérablement réduit la trajectoire prévue, fournissant ainsi aux intervenants d’urgence et aux décideurs politiques avec des données exploitables.
Cette visualisation illustre les performances de GenCast dans la prévision du typhon Hagibis, montrant une analyse d’humidité spécifique à 700 hPa juste avant l’atterrissage au Japon. (ERA5) et prédictions GenCast correspondantes. Les prévisions sur un jour (b-d) conservent une grande précision, tandis que les moyennes d’ensemble (e) montrent un flou dû à l’incertitude. Pour les prévisions initialisées 15 jours plus tôt (h-m), GenCast reste plus précis que sa version perturbée (l), bien que les moyennes d’ensemble (k) soient plus floues avec des délais plus longs. Les tracés de trajectoire (n-q) mettent en évidence la capacité de GenCast à réduire l’incertitude à l’approche de la tempête, offrant des informations exploitables avec une erreur de position réduite par rapport aux modèles traditionnels. — Source : nature
De telles avancées offrent un potentiel de sauvetage. En délivrant 12 heures d’avertissement supplémentaires pour les cyclones par rapport aux systèmes traditionnels, GenCast offre un temps critique pour mettre en œuvre les évacuations et protéger les ressources.
En plus des cyclones, GenCast démontre de solides performances dans la prévision de la chaleur, du froid et de l’extrême. des vitesses de vent élevées. Sa capacité à anticiper de tels événements avec précision contribue à atténuer les risques dans divers secteurs, de la sécurité publique aux infrastructures énergétiques.
Implications pour la science du climat
L’un des projets prometteurs de GenCast. applications réside dans les énergies renouvelables. En améliorant les prévisions en matière d’énergie éolienne, le modèle aide les opérateurs de réseau à équilibrer plus efficacement l’offre et la demande.
Des prévisions précises permettent une meilleure intégration des sources renouvelables dans les réseaux énergétiques, réduisant ainsi la dépendance aux combustibles fossiles et soutenant les efforts mondiaux de décarbonation.
GenCast a également des applications potentielles dans la modélisation climatique, où sa précision prédictive pourrait fournir des informations sur les tendances et la variabilité à long terme.
Cette capacité est cruciale pour relever des défis tels que la planification agricole et les ressources en eau. gestion, et la résilience des infrastructures urbaines.
Collaboration et libre accès
La décision de DeepMind de faire de GenCast un outil en libre accès avec code et poids, reflètent c’est engagement envers l’innovation collaborative. Le code, les pondérations et les prévisions du modèle sont accessibles aux chercheurs, aux météorologues et aux organisations travaillant sur la réponse aux catastrophes, la sécurité alimentaire et l’adaptation au climat.
Cette ouverture vise à accélérer les percées scientifiques et à élargir la portée réelle du modèle. impact.
DeepMind a souligné l’importance de combiner l’IA avec les méthodes météorologiques traditionnelles pour améliorer les prévisions et mieux répondre aux besoins sociétaux.
GenCast complète d’autres initiatives d’IA de Google, notamment NeuralGCM, SEEDS et modèles de prévision des inondations. Ces outils améliorent collectivement des services tels que Google Maps et la recherche, en fournissant aux utilisateurs des informations opportunes et fiables lors d’événements météorologiques extrêmes.
Défis et orientations futures
Malgré son atouts, GenCast fait face à des axes de croissance. Sa résolution de 0,25°, bien que précise, est en deçà de la résolution de 0,1° atteinte par les derniers modèles ENS. Passer à des résolutions plus élevées pourrait permettre d’obtenir une précision encore plus grande, en particulier pour les prévisions localisées.
Un autre défi réside dans l’intégration de modèles d’IA tels que GenCast avec les systèmes météorologiques traditionnels. Les modèles basés sur la physique fournissent des données de formation essentielles et des conditions d’initialisation pour les systèmes d’IA, soulignant l’importance de maintenir les deux approches pour un écosystème de prévision équilibré et complet.
À mesure que les événements météorologiques extrêmes deviennent plus fréquents et plus graves, des outils comme GenCast sont appelés à jouer un rôle essentiel dans l’amélioration de la préparation et de la résilience des industries et des communautés du monde entier.
