En août 2026, Google DeepMind a publié une étude dans la revue Nature : la prévision des cyclones tropicaux par l’IA surpasse désormais la précision des modèles numériques traditionnels. Les chiffres sont éloquents : la précision de WeatherNext à 3 jours d’échéance équivaut à celle des anciennes méthodes à 2 jours. En d’autres termes, les prévisionnistes gagnent 24 heures d’anticipation précieuses.
Ce saut technologique est majeur. DeepMind estime que cela correspond à une décennie de progrès en météorologie. Au cours des 50 dernières années, les cyclones tropicaux ont causé plus de 700 000 décès et 1 400 milliards de dollars de pertes économiques à l’échelle mondiale. Qu’on les appelle typhons, ouragans ou cyclones, il s’agit du même phénomène : de gigantesques tempêtes rotatives nées au-dessus des océans qui déferlent sur les terres. Chaque heure d’alerte supplémentaire permet d’évacuer davantage de populations.
Figure : Schéma de trajectoire et d’intensité prédites par WeatherNext, les cercles concentriques représentant différentes zones de vent. Source : deepmind.google
La prévision traditionnelle : Un cours de physique sur supercalculateur
Pour comprendre l’enjeu, rappelons le fonctionnement de la méthode classique. Depuis plus d’un siècle, la prévision météorologique repose sur le calcul d’équations physiques sur des supercalculateurs. L’atmosphère terrestre est découpée en une grille tridimensionnelle dense, et les variables de température, pression et vent sont calculées pas à pas selon les lois de la mécanique newtonienne et de la thermodynamique.
Cette approche est lente et extrêmement coûteuse. Les modèles globaux utilisent une résolution de grille grossière pour ne pas engorger les supercalculateurs nationaux ; augmenter la résolution pour observer la structure fine des cyclones fait exploser les coûts de calcul. De plus, un dilemme persiste : la trajectoire d’un cyclone est guidée par la circulation atmosphérique à grande échelle sur des milliers de kilomètres – ce qui convient aux modèles globaux grossiers – tandis que son intensité dépend de processus thermodynamiques locaux près de l’œil, nécessitant une haute résolution. La prévision traditionnelle a toujours dû composer entre ces deux contraintes.
La prévision par IA : Un prévisionniste chevronné fort de 40 ans de données
WeatherNext adopte une démarche radicalement différente. Il s’affranchit des équations physiques directes pour apprendre les schémas à partir des données historiques. L’ensemble d’entraînement comprend près de 20 To de réanalyses atmosphériques globales ainsi que les relevés complets de près de 5 000 tempêtes historiques de la base internationale IBTrACS. L’IA a ainsi assimilé 40 ans de météo terrestre, intégrant la genèse, les changements de trajectoire et l’intensification rapide des cyclones directement dans ses paramètres.
Pour générer une prévision, il suffit de lui fournir l’état météorologique actuel : le modèle produit une projection à 15 jours en moins d’une minute. À titre de comparaison : la méthode traditionnelle équivaut à repasser par toutes les mesures d’ingrédients à chaque préparation, alors que l’IA a mémorisé 40 ans de recettes et sait quel plat préparer dès l’ouverture du réfrigérateur.
Figure : Comparaison des erreurs de trajectoire, d’intensité et de rayon de vent sur une échéance de 5 jours. La ligne bleue représente WeatherNext, avec l’erreur la plus faible et une avance de précision d’environ 1 jour. Source : deepmind.google
La percée en trois chiffres
Un jour gagné. La précision à 3 jours rejoint le standard antérieur à 2 jours, ce qui avance le délai d’alerte de 24 heures. En pratique, pour les riverains des zones côtières, ces 24 heures représentent le temps nécessaire pour sécuriser les habitations, rassembler les affaires et évacuer ; pour les prévisionnistes, cela apporte la certitude requise pour déclencher les alertes maximales.
Des erreurs réduites. En moyenne sur les années 2023 à 2025, l’erreur de trajectoire à 3 jours est inférieure d’environ 100 km par rapport aux prévisions d’ensemble du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT / ECMWF). L’erreur d’intensité est inférieure d’environ 11 nœuds (~20 km/h) par rapport aux modèles dédiés aux ouragans. Une différence de 100 km sur le point d’impact détermine quelle ville sera inondée ; 11 nœuds d’écart déterminent si les toitures résisteront aux rafales.
Figure : Erreurs annuelles sur la prévision à 3 jours de 2023 à 2025. En bleu, WeatherNext affiche une erreur de trajectoire inférieure de ~100 km et d’intensité inférieure de ~11 nœuds. Source : deepmind.google
Une meilleure couverture probabiliste. Alors que les modèles opérationnels traditionnels ne génèrent que quelques dizaines de membres d’ensemble, WeatherNext a étendu son ensemble à 1 000 membres cette année, couvrant spécifiquement les scénarios à faible probabilité mais à fort impact comme l’« intensification rapide ». L’intensification rapide constitue le défi le plus complexe en prévision cyclonique : en 2025, la soudaine montée en puissance de l’ouragan Melissa avant son impact en Jamaïque a pu être anticipée, permettant au US National Hurricane Center de diffuser des alertes précoces.
Un autre point surprenant pour les chercheurs : WeatherNext obtient ces résultats avec des données d’une résolution de 28×28 km, soit 100 fois plus grossière que les modèles numériques classiques. Les auteurs reconnaissent en toute transparence dans leur communiqué que la raison sous-jacente « reste une question ouverte ». Si une résolution plus grossière suffit, les exigences de calcul s’effondrent, rendant ces prévisions de haut niveau accessibles aux services météorologiques de pays aux budgets limités.
Les limites à prendre en compte
Les échanges au sein de la communauté technique mettent en avant plusieurs réserves. Sur Hacker News, l’annonce a suscité de nombreux commentaires pointant le manque d’exemples d’évènements extrêmes dans les données d’entraînement. Bien que 5 000 tempêtes représentent un volume conséquent, les cyclones obéissent à des distributions à queue lourde : un évènement centennal peut ne pas figurer dans 40 ans d’historique. Les sceptiques craignent que l’IA ne génère des prédictions erronées avec une assurance trompeuse face à des situations inédites, tandis que les partisans rappellent que les modèles physiques peinent également face aux extrêmes et que l’IA permet au moins d’exposer l’incertitude via ses 1 000 trajectoires d’ensemble.
L’explicabilité demeure un autre défi majeur. Les auteurs concèdent ne pas expliquer entièrement pourquoi la résolution de 28 km produit de tels résultats. Les météorologues s’appuient habituellement sur des mécanismes physiques pour justifier leurs prévisions, ce qu’un modèle basé uniquement sur les données ne fournit pas. C’est pourquoi l’usage privilégié actuel consiste à faire fonctionner l’IA en parallèle des modèles traditionnels à titre de comparaison, DeepMind soulignant que la décision finale revient aux prévisionnistes humains. Pour encourager l’adoption, le code et les poids du modèle ont été publiés en open source, accompagnés d’une version allégée à 111 km de résolution exécutable sur un seul TPU ou dans un notebook Colab gratuit.
En conclusion
Au-delà des métriques, ce sont ces 24 heures supplémentaires qui retiennent l’attention. À l’approche d’un cyclone, disposer d’un jour d’alerte en plus offre aux communautés côtières le temps nécessaire pour amarrer les embarcations et mettre les habitants en lieu sûr.
La science météorologique évolue progressivement sous l’impulsion de l’IA. La finalité reste concrète : prévenir la population le plus tôt possible de l’arrivée de la tempête. Quant aux performances de l’IA face à de futurs évènements extrêmes inédits, seul le temps permettra d’en juger. L’association de l’expertise humaine et de l’IA représente la stratégie la plus éprouvée.
Liens de référence :
- Google DeepMind : Percée de WeatherNext dans la prévision des ouragans
- Discussion HN (item?id=49220126)
