Prédire la météo, surtout à l’ère du changement climatique, est une grosse affaire. Aujourd’hui, le marché des services de prévisions météorologiques s’élève à 10 milliards de dollars aux États-Unis, où l’on estime qu’un tiers de l’économie est exposée aux conditions météorologiques et au climat. Des industries allant de l’agriculture au commerce en passant par l’armée sont les principaux consommateurs de technologies de prévision météorologique, dont la plupart sont basées sur des informations fournies par les grands services météorologiques nationaux.

Mais aujourd’hui, de nouvelles technologies passionnantes émergent qui promettent d’améliorer la précision, la rapidité et le coût des prévisions météorologiques, potentiellement à moindre coût. Il s’agit notamment de nouvelles sources de données météorologiques ; des approches de prévision fondées sur l’apprentissage automatique ; et de nouvelles applications pour les utilisateurs finaux. Nous voyons déjà des startups émerger pour tirer parti de bon nombre de ces nouvelles technologies.

À notre avis, ces innovations ne pouvaient pas arriver assez tôt. Rien qu’aux États-Unis, la fréquence des catastrophes naturelles coûtant plus d’un milliard de dollars est passée de 13,1 par an dans les années 2010 à plus de 20 par an au cours des 5 dernières années. Nous constatons un large consensus parmi les climatologues et les assureurs sur le fait que la fréquence, la gravité et l’impact de ces événements augmenteront dans les années à venir, ce qui rendra les technologies de prévision de prochaine génération encore plus essentielles.

Les opportunités de plus grande valeur que nous avons identifiées grâce à nos études de marché comprennent l’atténuation des catastrophes et la préparation pour les gouvernements étatiques et locaux ; la planification de mission pour la défense ; la planification d’itinéraires et les opérations au sol pour les compagnies aériennes ; optimisation d’itinéraires pour les entreprises de logistique ; la prévision de la demande d’énergie pour les services publics ; et le marketing basé sur les conditions pour l’industrie du voyage et des loisirs.

La science de la météo : un regard sur le passé

En prenant du recul, il est clair que la science de l’atmosphère a fait d’énormes progrès depuis la conception des premiers modèles de « prévision numérique du temps » (PNT) dans les années 1950. Bien que la météo soit stochastique à la base, les lois physiques bien comprises de l’hydrodynamique ont longtemps été appliquées pour prédire le temps avec une précision utile à court et à moyen terme. L’instanciation de ces lois dans les modèles prédictifs nécessite de simuler l’atmosphère terrestre comme une grille tridimensionnelle de cellules échangeant de l’énergie et de l’humidité à partir des conditions de départ observées. Cela nécessite certaines des charges de travail de calcul les plus complexes et les plus exigeantes qui soient.

Par conséquent, les prévisions sur lesquelles nous comptons tous aujourd’hui sont généralement fournies par les grands services météorologiques nationaux, notamment la National Oceanic and Atmospheric Administration (NOAA) et le National Weather Service (NWS) en Amérique du Nord et le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) en Europe, complétés par plusieurs modèles spécifiques à chaque pays tels que le modèle unifié (UM) au Royaume-Uni et le modèle ICON en Allemagne.

Vue d’ensemble de NWP de Google Research.

Mais il existe de nouvelles possibilités d’innover sur cette base, notamment par le biais des mêmes forces qui stimulent l’innovation dans tant d’autres industries : de nouvelles sources de données complétant de grands ensembles de données pour la formation, des coûts de calcul en baisse et des techniques d’apprentissage automatique (ML) capables de discerner des modèles au-delà de l’inférence humaine.

Dans le cas de la météo, la promesse théorique de la prévision météorologique ML est d'« abstraire » une partie considérable de la modélisation traditionnelle basée sur la physique afin de générer des prévisions précises avec une demande de calcul beaucoup plus faible, c’est-à-dire de le faire à la fois plus rapidement et à moindre coût. Considérez cela comme analogue à la façon dont les LLM peuvent générer une sortie de texte très utile sans apprendre (de manière perceptible) les règles de la sémantique et de la syntaxe du langage.

Une figure de Forecasting Global Weather with Graph Neural Networks (Ryan Keisler, PhD) montrant une approche de codeur → de processeur → de décodeur pour la prévision météorologique à l’aide de réseaux neuronaux. 

Les premières indications de nouvelles approches de prévision basées sur l’apprentissage automatique sont encourageantes. DeepMind rapporte que son modèle GraphCast produit des prédictions plus précises que le modèle HRES principal de l’ECMWF sur plus de 90 % des 1 380 variables de test et des délais de prévision, et Nvidia affirme que son modèle FourCastNet peut calculer des prévisions de plusieurs ordres de grandeur plus rapidement (et donc moins cher) que les modèles ECMWF avec une précision comparable ou supérieure.

De même, de nouveaux fournisseurs comme Atmo, Zeus AI et WindBorne Systems affirment que leurs modèles ML offrent une précision et une granularité supérieures à celles des modèles NWP existants. D’autres entreprises fournissent des prévisions météorologiques ML qui sont affinées pour répondre à des cas d’utilisation spécifiques, telles que Jua (pour le commerce de l’énergie) et Excarta (pour l’assurance et l’énergie solaire).

Bien qu’il existe un quasi-consensus parmi les experts de l’industrie et du milieu universitaire sur le fait que les approches d’apprentissage profond joueront un rôle dans l’amélioration des prévisions, des questions demeurent. L’explicabilité, l’incorporation peu claire de contraintes physiques, le potentiel d’hallucination et la capacité à tenir compte d’événements météorologiques rares mais extrêmes sont autant d’obstacles que les modèles ML doivent encore franchir.

Plus important encore, les modèles de ML n’ont pas encore été rigoureusement testés sur une période significative dans des cas d’utilisation critiques. L’opinion dominante parmi les experts que nous avons interrogés est que l’état final probable sera des approches hybrides qui combinent l’apprentissage profond avec des connaissances durement acquises sur la PNT basée sur la physique.

« Les progrès des modèles d’apprentissage automatique purs ont été assez étonnants au cours du [1er semestre 2023] et de nombreux scientifiques dans le domaine ont été pris par surprise quant à la qualité des prédictions. »

– Peter Deuben, responsable de la modélisation du système terrestre à l’ECMWF

« Les résultats des systèmes de prévision basés sur le ML sont incroyables. »

– Hendrik Tolman, conseiller principal en modélisation des services météorologiques nationaux

Le modèle Graphcast de DeepMind montre significativement moins d’erreurs que HRES, le modèle ECMWF principal. 

À mesure que les modèles de ML deviennent de plus en plus sophistiqués, l’un des principaux défis sera l’assimilation des données, c’est-à-dire l’incorporation de nouvelles sources de données structurées différemment dans le temps et la granularité.  Des entreprises telles que Spire, DTN et Tomorrow.io collectent des données météorologiques avancées par le biais de stations météorologiques au sol, de satellites (pour l’imagerie, l’occultation radio, etc.), de capteurs et de radars spatiaux, ce qui pourrait potentiellement étendre la couverture de l’atmosphère à de grandes parties du monde qui sont aujourd’hui peu étudiées.

WindBorne, par exemple, collecte des données atmosphériques à partir de ses ballons météorologiques, qui peuvent naviguer au-dessus des océans et des forêts tropicales pour obtenir des données difficiles d’accès. Ce type de nouvelles données promet d’améliorer la précision des modèles, bien que la capacité d’intégrer pleinement de nouvelles données semble en être encore à ses balbutiements.

Vue d’ensemble des ballons-sondes globaux (GSB) innovants de WindBorne. 

Au-delà des prévisions et des données, les applications commerciales qui traduisent les prévisions météorologiques en informations exploitables, telles que la planification de l’itinéraire de vol ou de camionnage le plus efficace, la décision d’annuler ou non un concert en plein air en raison d’orages ou le lancement d’une campagne publicitaire axée sur la météo.

Les applications météorologiques grand public représentent une autre opportunité intrigante : les prévisions météorologiques sont vérifiées plus de 300 milliards de fois par an aux États-Unis, et près de neuf Américains adultes sur 10 obtiennent des prévisions météorologiques trois fois ou plus par jour.

Dans l’ensemble, nous sommes enthousiasmés par les promesses du ML dans les prévisions météorologiques, alimentées par de nouvelles sources de données haute résolution et traduites en applications utiles pour les entreprises et les consommateurs.

Non seulement ces améliorations pourraient créer une valeur fondamentale significative pour des milliers de clients du secteur public, militaire et commercial, mais elles pourraient également débloquer de nouveaux cas d’utilisation et étendre la couverture à des circonscriptions mal desservies par les titulaires gouvernementaux.

Si vous développez ou investissez dans le ML pour les prévisions météorologiques, nous serions ravis d’avoir de vos nouvelles.