Recherche
Notre modèle de pointe fournit des prévisions météorologiques sur 10 jours avec une précision sans précédent en moins d'une minute.
La météo nous affecte tous, de différentes manières. Elle peut dicter la façon dont nous nous habillons le matin, nous fournir de l’énergie verte et, dans le pire des cas, créer des tempêtes qui peuvent dévaster les communautés. Dans un monde où les conditions météorologiques sont de plus en plus extrêmes, des prévisions rapides et précises n’ont jamais été aussi importantes.
Dans un papier publié dans Science, nous présentons GraphCast, un modèle d'IA de pointe capable d'établir des prévisions météorologiques à moyen terme avec une précision sans précédent. GraphCast prédit les conditions météorologiques jusqu'à 10 jours à l'avance avec plus de précision et beaucoup plus rapidement que le système de simulation météorologique de référence de l'industrie : la prévision à haute résolution (HRES), produite par le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF).
GraphCast peut également proposer des avertissements plus précoces en cas d'événements météorologiques extrêmes. Il peut prédire la trajectoire des cyclones avec une grande précision dans le futur, identifier les rivières atmosphériques associées aux risques d'inondation et prédire l'apparition de températures extrêmes. Cette capacité a le potentiel de sauver des vies grâce à une meilleure préparation.
GraphCast fait un pas en avant significatif dans l'IA pour la prévision météorologique, en offrant des prévisions plus précises et plus efficaces et en ouvrant la voie pour soutenir la prise de décision essentielle aux besoins de nos industries et de nos sociétés. Et par open source le code du modèle pour GraphCast, nous permettons aux scientifiques et aux prévisionnistes du monde entier de bénéficier à des milliards de personnes dans leur vie quotidienne. GraphCast est déjà utilisé par les agences météorologiques, notamment le CEPMMT, qui mène une expérience en direct de les prévisions de notre modèle sur son site internet.
Une sélection de prévisions de GraphCast sur 10 jours montrant l'humidité spécifique à 700 hectopascals (environ 3 km au-dessus de la surface), la température de surface et la vitesse du vent en surface.
Le défi de la prévision météorologique mondiale
La prévision météorologique est l’une des activités scientifiques les plus anciennes et les plus difficiles. Les prévisions à moyen terme sont importantes pour soutenir la prise de décision clé dans tous les secteurs, des énergies renouvelables à la logistique événementielle, mais elles sont difficiles à réaliser avec précision et efficacité.
Les prévisions reposent généralement sur la prévision numérique du temps (PNT), qui commence par des équations physiques soigneusement définies, qui sont ensuite traduites en algorithmes informatiques exécutés sur des superordinateurs. Bien que cette approche traditionnelle ait été un triomphe de la science et de l’ingénierie, la conception des équations et des algorithmes prend du temps et nécessite une expertise approfondie, ainsi que des ressources de calcul coûteuses pour effectuer des prédictions précises.
Le Deep Learning propose une approche différente : utiliser des données plutôt que des équations physiques pour créer un système de prévisions météorologiques. GraphCast s'appuie sur des décennies de données météorologiques historiques pour apprendre un modèle des relations de cause à effet qui régissent l'évolution du temps sur Terre, du présent au futur.
Fondamentalement, GraphCast et les approches traditionnelles vont de pair : nous avons formé GraphCast sur quatre décennies de données de réanalyse météorologique, issues de l'ensemble de données ERA5 du CEPMMT. Ce trésor est basé sur des observations météorologiques historiques telles que des images satellite, des radars et des stations météorologiques utilisant une prévision numérique du temps traditionnelle pour « combler les blancs » là où les observations sont incomplètes, afin de reconstruire un riche enregistrement de la météo historique mondiale.
GraphCast : un modèle d'IA pour la prévision météorologique
GraphCast est un système de prévisions météorologiques basé sur l'apprentissage automatique et les réseaux de neurones graphiques (GNN), qui constituent une architecture particulièrement utile pour le traitement de données structurées spatialement.
GraphCast effectue des prévisions à haute résolution de 0,25 degrés de longitude/latitude (28 km x 28 km à l'équateur). Cela représente plus d’un million de points de grille couvrant toute la surface de la Terre. À chaque point de la grille, le modèle prédit cinq variables de la surface de la Terre – dont la température, la vitesse et la direction du vent et la pression moyenne au niveau de la mer – et six variables atmosphériques à chacun des 37 niveaux d'altitude, dont l'humidité spécifique, la vitesse et la direction du vent, et température.
Bien que la formation de GraphCast ait nécessité beaucoup de calculs, le modèle de prévision qui en résulte est très efficace. Faire des prévisions sur 10 jours avec GraphCast prend moins d'une minute sur une seule machine Google TPU v4. À titre de comparaison, une prévision sur 10 jours utilisant une approche conventionnelle, telle que HRES, peut prendre des heures de calcul dans un superordinateur doté de centaines de machines.
Dans une évaluation complète des performances par rapport au système déterministe de référence, HRES, GraphCast a fourni des prédictions plus précises sur plus de 90 % des 1 380 variables de test et des délais de prévision (voir notre Article scientifique pour plus de détails). Lorsque nous avons limité l'évaluation à la troposphère, la région de l'atmosphère située entre 6 et 20 kilomètres d'altitude la plus proche de la surface de la Terre où des prévisions précises sont les plus importantes, notre modèle a surpassé HRES sur 99,7 % des variables de test pour les conditions météorologiques futures.
Pour les entrées, GraphCast ne nécessite que deux ensembles de données : l'état de la météo il y a 6 heures et l'état actuel de la météo. Le modèle prédit ensuite la météo dans 6 heures. Ce processus peut ensuite être avancé par incréments de 6 heures pour fournir des prévisions de pointe jusqu'à 10 jours à l'avance.
De meilleurs avertissements pour les événements météorologiques extrêmes
Nos analyses ont révélé que GraphCast peut également identifier les événements météorologiques graves plus tôt que les modèles de prévision traditionnels, même s'il n'a pas été formé pour les rechercher. Il s'agit d'un excellent exemple de la façon dont GraphCast pourrait contribuer à la préparation pour sauver des vies et réduire l'impact des tempêtes et des conditions météorologiques extrêmes sur les communautés.
En appliquant un simple outil de suivi des cyclones directement sur les prévisions GraphCast, nous pourrions prédire le mouvement des cyclones avec plus de précision que le modèle HRES. En septembre, une version en direct de notre modèle GraphCast accessible au public, déployé sur le site Web du CEPMMT, a prédit avec précision environ neuf jours à l'avance que l'ouragan Lee toucherait terre en Nouvelle-Écosse. En revanche, les prévisions traditionnelles présentaient une plus grande variabilité quant au lieu et au moment de l'atterrissage et ne fixaient la Nouvelle-Écosse qu'environ six jours à l'avance.
GraphCast peut également caractériser les rivières atmosphériques – des régions étroites de l'atmosphère qui transfèrent la majeure partie de la vapeur d'eau en dehors des tropiques. L'intensité d'une rivière atmosphérique peut indiquer si elle apportera une pluie bénéfique ou un déluge provoquant des inondations. Les prévisions GraphCast peuvent aider à caractériser les rivières atmosphériques, ce qui pourrait aider à planifier les interventions d'urgence en collaboration avec Modèles d’IA pour prévoir les inondations.
Enfin, la prévision des températures extrêmes revêt une importance croissante dans un monde qui se réchauffe. GraphCast peut caractériser le moment où la chaleur devrait dépasser les températures maximales historiques pour un endroit donné sur Terre. Ceci est particulièrement utile pour anticiper les vagues de chaleur, événements perturbateurs et dangereux de plus en plus fréquents.
Prédiction des événements graves : comment GraphCast et HRES se comparent.
À gauche : performances de suivi des cyclones. À mesure que le délai de prévision des mouvements des cyclones augmente, GraphCast maintient une plus grande précision que HRES.
À droite : prédiction atmosphérique des rivières. Les erreurs de prédiction de GraphCast sont nettement inférieures à celles de HRES pour l'intégralité de leurs prédictions sur 10 jours
L'avenir de l'IA pour la météo
GraphCast est désormais le système mondial de prévisions météorologiques sur 10 jours le plus précis au monde et peut prédire des événements météorologiques extrêmes plus loin dans le futur qu'il n'était possible auparavant. À mesure que les conditions météorologiques évoluent dans un climat changeant, GraphCast évoluera et s'améliorera à mesure que des données de meilleure qualité seront disponibles.
Pour rendre les prévisions météorologiques basées sur l'IA plus accessibles, nous avons open source le code de notre modèle. Le CEPMMT est déjà expérimenter les prévisions à 10 jours de GraphCast et nous sommes ravis de voir les possibilités qu'il ouvre aux chercheurs – depuis l'adaptation du modèle à des phénomènes météorologiques particuliers jusqu'à son optimisation pour différentes parties du monde.
GraphCast rejoint d'autres systèmes de prévision météorologique de pointe de Google DeepMind et Google Research, notamment un système régional Modèle de prévision immédiate qui produit des prévisions jusqu'à 90 minutes à l'avance, et MetNet-3un modèle de prévision météorologique régionale déjà opérationnel aux États-Unis et en Europe qui produit des prévisions sur 24 heures plus précises que tout autre système.
L’utilisation pionnière de l’IA dans les prévisions météorologiques bénéficiera à des milliards de personnes dans leur vie quotidienne. Mais nos recherches plus larges ne visent pas seulement à anticiper les conditions météorologiques : elles visent également à comprendre les modèles plus larges de notre climat. En développant de nouveaux outils et en accélérant la recherche, nous espérons que l’IA pourra permettre à la communauté mondiale de relever nos plus grands défis environnementaux.