Un algorithme d'apprentissage automatique développé par l'Université de Cambridge vient bousculer le monde de la prévision météorologique. Baptisé Aardvark Weather, ce système génère des prévisions en quelques minutes, là où les superordinateurs traditionnels mettent plusieurs heures — et consomme des milliers de fois moins d'énergie. Publié dans la revue Nature en mars 2025, ce travail pourrait changer la façon dont on anticipe les tempêtes, les canicules, et tout ce que le ciel nous réserve.

Comment fonctionne Aardvark Weather ?

Les systèmes de prévision météo classiques fonctionnent en injectant des données brutes dans des modèles physiques complexes — une chaîne d'étapes qui mobilise pendant plusieurs heures un supercalculateur dédié. C'est lourd, coûteux, et pas forcément accessible à tout le monde. Aardvark prend un autre chemin. Le modèle d'apprentissage automatique travaille directement à partir des données brutes : satellites, stations météo, navires et ballons-sondes. Pas de modèle atmosphérique intermédiaire. Les données satellitaires jouent un rôle central dans ses prédictions, selon l'équipe de recherche. Résultat : une prévision en quelques minutes, sur un ordinateur de bureau standard. Richard Turner, ingénieur à l'Université de Cambridge, résume la chose simplement — son équipe a construit en 18 mois quelque chose de compétitif avec les meilleurs systèmes existants, avec seulement 10 % des données habituellement nécessaires.

Des performances qui surprennent

En utilisant à peine 8 % des données d'observation que réclament les systèmes traditionnels, Aardvark surpasse le Global Forecast System (GFS) américain et produit des résultats comparables à ceux du service météorologique national des États-Unis. C'est une prouesse que peu auraient anticipée il y a encore deux ou trois ans. Il y a tout de même un bémol à connaître : la résolution spatiale d'Aardvark est actuellement de 1,5 degré de latitude et de longitude par case, contre 0,25 degré pour le GFS. En clair, pour les prévisions très localisées — savoir s'il va pleuvoir dans votre rue plutôt que dans le département — le système reste moins précis que ses concurrents établis.

Un outil pensé pour s'adapter à des besoins très différents

Ce qui rend Aardvark intéressant, c'est sa flexibilité. Parce qu'il apprend à partir des données qu'on lui fournit, on peut l'orienter vers des usages très ciblés. Quelques exemples concrets mentionnés par les chercheurs :

• Les températures agricoles en Afrique subsaharienne, où les prévisions locales font souvent défaut
• Les vitesses de vent pour la planification des énergies renouvelables en Europe
• La prévision des ouragans, des incendies de forêt ou des tornades

Le modèle peut aussi intégrer des données régionales à haute résolution quand elles existent, pour affiner les prévisions locales. C'est une architecture ouverte, en quelque sorte.

Une question d'accès, pas seulement de performance

Scott Hosking, chercheur en intelligence artificielle à l'Alan Turing Institute, pose la vraie question : à qui profite cette avancée ? Les pays riches disposent déjà d'équipes et d'infrastructures capables de transformer les prévisions mondiales en données locales exploitables. Mais une grande partie du monde n'a pas accès à ces ressources. Passer du supercalculateur à l'ordinateur de bureau, c'est potentiellement mettre la prévision météo à la portée de régions qui en ont le plus besoin — zones rurales africaines exposées aux sécheresses, îles du Pacifique face aux cyclones, régions montagneuses sans station de mesure dense.

Et pour la suite ?

Les chercheurs sont clairs sur un point : ce n'est qu'un début. Anna Allen, coauteure de l'étude, indique que l'approche d'apprentissage de bout en bout peut s'appliquer à d'autres domaines que la météo au sens strict :

• La qualité de l'air dans les grandes agglomérations
• La dynamique des océans et la prévision des courants
• L'étendue de la banquise arctique, un indicateur suivi de près par les climatologues

On peut se demander si ce genre d'outil va finir par remplacer les météorologues humains ou, au contraire, les libérer des tâches les plus répétitives pour qu'ils se concentrent sur l'interprétation et la communication. L'histoire des technologies de prévision suggère plutôt la deuxième option — mais les prochaines années diront si Aardvark tient ses promesses au-delà des conditions de laboratoire.