L'intelligence artificielle améliore la prévision des trajectoires de cyclones tandis que les modèles classiques conservent l'avantage sur l'intensité
27 octobre 2026 · 3 min de lecture
Également publié en Deutsch, العربية, Português (Brasil)
L'intelligence artificielle modifie concrètement les opérations de prévision météorologique en démontrant une supériorité notable dans l'anticipation des trajectoires de cyclones, comme observé lors du passage du cyclone Isaías, tandis que les systèmes traditionnels ont présenté des écarts significatifs dans leurs estimations de parcours. Cette évolution marque un tournant où les algorithmes d'apprentissage automatique passent du statut de promesses expérimentales à celui d'outils opérationnels utilisés en temps réel par les professionnels du secteur.
Lors de l'événement spécifique lié au cyclone Isaías, un modèle développé par DeepMind et identifié sous le nom de FNV3 par Weather Labs a réussi à prédire le point d'impact réel en Floride avec une marge d'erreur de seulement quelques heures, et ce, plus de trois jours à l'avance. Cette performance contraste avec les systèmes conventionnels, tant européens qu'américains, qui ont dévié leur prévision trop vers l'ouest. L'analyse réalisée par HurriLab confirme que cette intelligence artificielle a été le modèle le plus proche de la réalité géographique de l'impact, validant ainsi sa capacité à corriger les tendances erronées des méthodes établies.
Malgré cette réussite sur la trajectoire, les modèles classiques tels que HWRF et HMON conservent une avance significative concernant la prévision de l'intensité des phénomènes. Le directeur du Centre National des Ouragans a précisé que le pronostic officiel de cette institution affichait entre vingt et quarante pour cent plus de compétence que l'intelligence artificielle pour estimer la force du cyclone. Cette distinction souligne que la technologie actuelle fonctionne principalement comme un système d'appui complémentaire plutôt que comme un remplacement total, car les méthodes physiques traditionnelles restent indispensables pour les calculs complexes liés à la puissance des tempêtes.
Des données plus larges corroborent cette tendance à l'intégration progressive. Un rapport de deux mille vingt-cinq du Centre National des Ouragans indique que le modèle de DeepMind a surpassé les prévisions officielles de trajectoire sur des échéances de douze à soixante-douze heures, tout en atteignant une compétence comparable pour l'intensité. Par ailleurs, une étude publiée dans la revue Nature concernant le modèle WeatherNext Cyclones a démontré qu'une avance moyenne d'un jour ou plus pouvait être obtenue par rapport aux principaux modèles opérationnels actuels. Ces résultats ont conduit à une adoption institutionnelle, poussant les météorologues à ajuster leurs bulletins officiels pour les aligner sur les sorties de l'intelligence artificielle, reléguant parfois des modèles historiques comme le GFS américain ou le modèle européen au second plan.
L'efficacité énergétique représente un autre avantage majeur de cette transition technologique. Le Centre Européen pour les Prévisions Météorologiques à Moyen Terme a rendu son modèle AIFS pleinement opérationnel depuis le vingt-cinq février de l'année précédente, fonctionnant aux côtés du modèle physique IFS. La différence fondamentale réside dans la consommation de ressources, car l'intelligence artificielle utilise environ mille fois moins d'énergie par prévision que les supercalculateurs traditionnels. Cependant, certaines agences nationales, comme l'AEMET en Espagne, adoptent une approche plus prudente avec leur modèle ANEMOI-ML, notant que les résultats actuels peuvent être inférieurs aux méthodes traditionnelles en raison d'un lissage excessif des extrêmes météorologiques, ce qui pose un risque pour l'émission d'alertes précises sur les précipitations torrentielles.