Accueil › Glossaire › Weather Prediction

Weather Prediction par IA : la prévision météo réinventée

La weather prediction par IA (prévision météorologique assistée par intelligence artificielle) désigne l’utilisation de modèles de machine learning pour prévoir le temps à court, moyen et long terme, en remplacement ou en complément des systèmes de simulation numérique traditionnels (NWP).

Pourquoi l’IA bouleverse la météo

Pendant plus de 50 ans, la prévision météorologique a reposé sur un paradigme unique : résoudre numériquement les équations de la mécanique des fluides qui gouvernent l’atmosphère. Ces modèles NWP (Numerical Weather Prediction) ingèrent des millions d’observations (satellites, radars, sondes, bouées) et simulent l’évolution de l’atmosphère sur des grilles de millions de points. Le processus exige des supercalculateurs massifs, consomme énormément d’énergie et prend plusieurs heures pour produire une prévision à 10-15 jours.

L’approche IA est radicalement différente. Au lieu de résoudre des équations physiques pas à pas, un modèle de machine learning apprend directement les relations statistiques entre l’état actuel de l’atmosphère et son état futur, à partir de décennies de données historiques. Une fois entraîné, le modèle produit une prévision en quelques secondes à quelques minutes, sur un seul accélérateur (TPU ou GPU), avec une consommation d’énergie négligeable par rapport aux NWP.

La bascule s’est produite entre 2023 et 2026. En trois ans, les modèles IA sont passés du stade expérimental à l’intégration opérationnelle par les plus grandes agences météorologiques du monde. Aucune agence n’a encore décommissionné ses NWP, mais toutes exécutent désormais des modèles IA en parallèle.

Les modèles qui dominent le terrain

GraphCast (Google DeepMind)

Publié dans Science en décembre 2023, GraphCast a été le premier modèle IA à démontrer une supériorité systématique sur le modèle HRES de l’ECMWF (le « gold standard » mondial). Il utilise des réseaux de neurones à graphes (GNN) pour représenter l’atmosphère comme un maillage icosaédrique sur la sphère terrestre. Résolution : 0,25° (~28 km). GraphCast produit une prévision à 10 jours en moins d’une minute sur un TPU Google v4, contre des heures sur supercalculateur pour le HRES. Il a notamment prédit l’atterrissage de l’ouragan Lee en Nouvelle-Écosse 9 jours à l’avance, soit 3 jours avant les systèmes traditionnels. Le code et les poids sont open source.

GenCast (Google DeepMind)

Publié dans Nature fin 2024, GenCast marque le passage aux prévisions probabilistes. Là où GraphCast fournit une seule trajectoire, GenCast génère un ensemble de 50+ scénarios possibles grâce à un modèle de diffusion conditionnelle adapté à la géométrie sphérique. Entraîné sur 40 ans de données ERA5 (1979-2018), il a surpassé le système d’ensemble ENS de l’ECMWF sur 97,2 % des 1 320 cibles évaluées (99,8 % au-delà de 36 heures). Une prévision à 15 jours prend environ 8 minutes. GenCast est particulièrement performant sur les prévisions de vent (essentiel pour l’énergie éolienne) et les événements extrêmes.

WeatherNext 2 (Google DeepMind + Research)

Annoncé en janvier 2026, WeatherNext 2 est la famille de modèles de production de Google. Il surpasse le premier WeatherNext sur 99,9 % des variables et horizons temporels. Son innovation architecturale est le Functional Generative Network (FGN), qui injecte du « bruit » directement dans l’architecture du modèle pour produire des prévisions physiquement réalistes. WeatherNext 2 génère des prévisions à résolution horaire, 8 fois plus vite que son prédécesseur, 4 fois par jour. Il alimente désormais les prévisions météo dans Google Search, Gemini, Pixel Weather et l’API Google Maps Platform Weather. Les données sont accessibles via Google Earth Engine, BigQuery et Vertex AI.

AIFS (ECMWF)

L’Artificial Intelligence Forecasting System est le modèle IA propre de l’ECMWF, développé avec le framework open source Anemoi. L’AIFS Single (déterministe) est devenu opérationnel le 25 février 2025, suivi par l’AIFS ENS (ensemble de 51 prévisions) le 1er juillet 2025. L’AIFS améliore la précision des trajectoires de cyclones tropicaux jusqu’à 20 % par rapport aux modèles physiques, tout en consommant environ 1 000 fois moins d’énergie. Il produit 6 téraoctets de données de prévision par jour, toutes librement accessibles. L’ECMWF prévoit en 2026 des mises à jour avec de nouvelles variables (neige) et un premier modèle sub-saisonnier.

AIGFS et HGEFS (NOAA)

Annoncés en février 2026, ces modèles marquent l’entrée opérationnelle de la NOAA dans l’IA météo. L’AIGFS (AI Global Forecast System) utilise seulement 0,3 % des ressources de calcul du GFS traditionnel et produit une prévision à 16 jours en environ 40 minutes. Il réduit significativement les erreurs de trajectoire des cyclones tropicaux aux horizons longs. L’AIGEFS est la version ensemble. Le HGEFS (Hybrid-GEFS) est une innovation : il combine les ensembles IA et physiques dans un « grand ensemble » hybride qui surpasse chaque système pris séparément. La NOAA a fine-tuné le modèle GraphCast de Google avec ses propres données d’analyse (GDAS).

Earth-2 (NVIDIA)

Dévoilé en janvier 2026 à l’American Meteorological Society, NVIDIA Earth-2 est le premier stack IA météo entièrement ouvert et accéléré. Il comprend Earth-2 Medium Range (architecture Atlas, prévisions à 15 jours, 70+ variables) et Earth-2 Nowcasting (architecture StormScope, prévisions 0-6h au kilomètre). Earth-2 Nowcasting est le premier modèle IA à surpasser les NWP traditionnels sur les prévisions de précipitations à court terme. Il est utilisé par des acteurs comme TotalEnergies, AXA, le US National Weather Service, The Weather Company et le service météorologique israélien.

Autres modèles notables

Pangu-Weather (Huawei) : modèle basé sur des transformers 3D, concurrent direct de GraphCast. Performant mais avec une tendance à sous-estimer les précipitations extrêmes de 20 à 35 % selon une étude de 2024 dans Geophysical Research Letters.

FourCastNet (NVIDIA), FengWu (Tsinghua), FuXi (Fudan), Aurora (Microsoft), ClimaX (Microsoft) : une constellation de modèles de recherche, chacun explorant des architectures différentes (vision transformers, neural operators, etc.).

Atmo AI : startup proposant des prévisions opérationnelles jusqu’à 50 % plus précises que les systèmes avancés, avec une résolution allant jusqu’à 1 km. Utilisé par l’US Air Force, l’US Navy et le gouvernement philippin.

Comparatif des principaux systèmes

Comment fonctionne la weather prediction par IA

Données d’entrée

Tous les modèles IA météo dépendent de données d’observation de haute qualité pour leurs conditions initiales. Ces données proviennent d’environ 60 millions d’observations collectées toutes les 6 heures par l’ECMWF : satellites, avions, bateaux, bouées océaniques, stations au sol, radiosondes. Le processus d’assimilation de données, qui combine ces observations avec une prévision précédente à court terme pour produire l’état initial de l’atmosphère, reste entièrement basé sur la physique. Autrement dit, l’IA ne remplace pas la collecte et l’intégration des observations, elle remplace le calcul de la prévision à partir de ces observations.

Entraînement

La plupart des modèles sont entraînés sur le dataset ERA5 de l’ECMWF : 40+ ans de données de réanalyse atmosphérique (1979-présent), couvrant des dizaines de variables à chaque point de grille et à chaque niveau d’altitude. L’entraînement est coûteux en calcul (GPU/TPU pendant des semaines), mais il n’est fait qu’une seule fois. Certains modèles sont ensuite fine-tunés sur des données opérationnelles plus récentes (HRES, GFS) pour améliorer leur performance avec des conditions initiales opérationnelles.

Inférence

Une fois entraîné, le modèle prend l’état atmosphérique actuel (et souvent l’état 6 heures avant) et produit une prévision pour les 6 heures suivantes. Cette prévision est ensuite réinjectée comme entrée pour produire la prévision suivante, et ainsi de suite en mode auto-régressif jusqu’à l’horizon désiré (10-15 jours). L’ensemble du processus prend quelques secondes à quelques minutes sur un seul accélérateur.

Forces et faiblesses vérifiées de l’IA météo

Ce que l’IA fait mieux que les NWP

Prévisions à moyen terme (5-15 jours) : c’est le sweet spot de l’IA. Les modèles comme GenCast, AIFS et WeatherNext 2 surpassent systématiquement les NWP sur les variables de grande échelle (température, pression, vent, géopotentiel) à ces horizons.

Trajectoires de cyclones tropicaux : les modèles IA excellent dans la prévision des trajectoires, avec des gains de 15 à 20 % par rapport aux NWP. GraphCast a notamment anticipé l’atterrissage de l’ouragan Lee 3 jours avant les systèmes classiques.

Efficacité énergétique : l’AIFS consomme environ 1 000 fois moins d’énergie que l’IFS pour une prévision comparable. Le AIGFS de la NOAA utilise 0,3 % des ressources du GFS.

Rapidité : prévisions disponibles en minutes au lieu d’heures, ce qui permet de les actualiser plus fréquemment et de générer plus de scénarios.

Ce que l’IA fait moins bien

Précipitations extrêmes et convection : c’est la faiblesse la plus documentée. Les modèles IA, entraînés sur des données lissées, sous-estiment les événements de précipitation intense (99e percentile) de 20 à 35 %, contre 10-15 % pour le HRES de l’ECMWF. Le nowcasting IA (0-6h) reste en retrait sur les NWP haute résolution pour les orages et averses localisées, bien que Earth-2 Nowcasting de NVIDIA commence à combler cet écart.

Intensité des cyclones : paradoxalement, alors que les trajectoires sont bien prédites, l’intensité des cyclones (vitesse maximale du vent, pression minimale) reste un point faible. Le AIGFS de la NOAA et GenCast partagent cette limitation.

Prévisions à court terme (0-24h) : sur cet horizon, les NWP haute résolution sont généralement comparables ou supérieurs, surtout pour les phénomènes locaux.

Variables de surface à haute résolution : la résolution actuelle des modèles IA (~25-31 km) est trop grossière pour des prévisions locales précises de température au sol, vent local ou brouillard. L’AIFS ENS fonctionne à 31 km, contre 9 km pour l’IFS ensemble de l’ECMWF.

Applications concrètes

Énergie

La prévision de la production éolienne et solaire est un cas d’usage majeur. GenCast est particulièrement performant sur les prévisions de vent, ce qui le rend utile pour optimiser le dispatch des centrales éoliennes et le trading d’énergie. NVIDIA Earth-2 est utilisé par TotalEnergies, Eni et Southwest Power Pool (via Hitachi) pour les opérations de réseau. L’optimisation énergétique s’appuie directement sur ces prévisions.

Agriculture

Les prévisions saisonnières (1-6 mois) permettent aux agriculteurs et aux chaînes d’approvisionnement agroalimentaires d’anticiper les sécheresses, gelées et inondations. ClimateAi et Tomorrow.io se positionnent sur ce segment. La prévision de la demande alimentaire intègre de plus en plus les données météo IA.

Aviation et logistique

Les prévisions de turbulences, de vent en altitude et de visibilité sont essentielles pour la planification des vols. The Weather Company (IBM) et WeatherNext 2 alimentent des systèmes de routage aérien. La logistique terrestre et maritime utilise ces prévisions pour optimiser les itinéraires et anticiper les perturbations.

Assurance et finance

AXA, JBA Risk Management et S&P Global utilisent NVIDIA Earth-2 pour évaluer les risques climatiques sur les portefeuilles d’actifs. Les prévisions probabilistes sont particulièrement précieuses pour le pricing des dérivés météorologiques et l’évaluation des sinistres potentiels.

Protection civile

Les organisations humanitaires utilisent les prévisions IA pour des programmes d’action anticipative : déblocage de fonds de secours et mobilisation d’évacuations avant l’impact d’une tempête. Google FloodHub fournit des alertes d’inondation gratuites dans les pays émergents. L’initiative Early Warnings for All des Nations Unies s’appuie sur ces technologies.

Les débats qui agitent le domaine

Boîte noire vs. compréhension physique

Un article publié dans Nature le 16 mars 2026 par des chercheurs d’Oxford appelle à des tests plus rigoureux avant l’adoption généralisée des modèles IA par les agences publiques. Les modèles IA ne codent pas explicitement les lois de conservation (énergie, masse, quantité de mouvement). Savoir s’ils les ont « implicitement apprises » reste une question de recherche ouverte. Quand un modèle prédit une catastrophe, les prévisionnistes ne peuvent pas retracer le raisonnement physique, ce qui complique la communication des alertes au public.

Souveraineté et dépendance

L’Organisation Météorologique Mondiale (OMM) débat du risque que les prévisions météo mondiales deviennent dépendantes de quelques entreprises privées (Google, Huawei, NVIDIA). Un scénario où un modèle privé détecte un ouragan 48 heures avant le service météorologique national crée un « système d’alerte parallèle » problématique. L’ECMWF a pris le parti de développer son propre modèle (AIFS) et de le distribuer en open source pour maintenir l’indépendance des services publics.

Événements sans précédent

Le changement climatique produit des configurations atmosphériques qui n’ont jamais existé dans les données d’entraînement. L’AIFS a correctement prévu la tempête Éowyn en janvier 2025, un événement hors distribution avec des chutes de neige records dans le sud des États-Unis, mais ce type de succès n’est pas garanti. Les modèles entraînés sur des données antérieures à 2018 peuvent systématiquement sous-estimer des phénomènes amplifiés par le réchauffement.

L’avenir : les approches hybrides

Le consensus émergent dans la communauté est que l’avenir n’est ni purement IA, ni purement NWP, mais hybride. Le HGEFS de la NOAA illustre cette approche : il combine un ensemble IA (AIGEFS) avec un ensemble physique (GEFS) dans un « grand ensemble » qui surpasse les deux. L’ECMWF explore activement l’hybridation IA-physique. NeuralGCM de Google Research combine un solveur de dynamique des fluides avec des réseaux de neurones pour les processus sous-maille.

Les prochaines étapes identifiées par l’ECMWF pour 2026 incluent : la mise à jour de l’AIFS avec de nouvelles variables (neige), le premier modèle IA sub-saisonnier (en développement avec la compétition AI Weather Quest qui rassemble 60+ équipes), et l’exploration de l’hybridation physique-données.

La résolution devrait aussi progresser. Les modèles actuels (~25-31 km) sont trop grossiers pour les prévisions locales opérationnelles. NVIDIA Earth-2 Nowcasting atteint déjà 1 km pour le court terme. Le modèle chinois YingLong-weather propose une résolution de 3 km à l’échelle régionale. L’objectif est d’atteindre la résolution kilométrique à l’échelle globale, ce qui transformerait la prévision urbaine et agricole.

Comment accéder aux prévisions IA météo

Si vous souhaitez utiliser ces modèles, voici les points d’entrée concrets :

Pour la recherche et l’expérimentation : le code de GraphCast et GenCast est disponible sur le dépôt GitHub de Google DeepMind, avec des notebooks Colab pour tester GenCast Mini. NVIDIA Earth-2 fournit des modèles pré-entraînés, des frameworks et des recettes de customisation en open source. Anemoi (ECMWF) permet d’entraîner vos propres modèles sur le dataset ERA5.

Pour une utilisation opérationnelle : les données de l’AIFS (Single et ENS) sont gratuitement accessibles en temps réel via les plateformes open data de l’ECMWF et les charts OpenCharts. WeatherNext 2 est disponible via Google Earth Engine, BigQuery et en early access sur Vertex AI. La NOAA distribuera les prévisions AIGFS/HGEFS via ses canaux habituels.

Pour les entreprises : Tomorrow.io, Atmo AI et The Weather Company proposent des API commerciales intégrant les derniers modèles IA avec des couches de valeur ajoutée (alertes, intégration métier, prévisions hyperlocales). Les données WeatherNext 2 peuvent être personnalisées via Google Cloud Vertex AI.