Prévoir une canicule meurtrière sept jours à l'avance, détecter un événement extrême qui ne représente qu'1 % de probabilité, le tout à une fraction du coût actuel — c'est ce que prétend faire SEEDS, le nouveau modèle d'intelligence artificielle développé par Google. Une avancée qui pourrait changer en profondeur la façon dont les services météorologiques du monde entier travaillent.

Pourquoi la météo reste si difficile à prévoir

La météorologie, c'est un peu comme essayer de prédire où va tomber une goutte de pluie dans une cascade. Les variables s'accumulent, s'influencent mutuellement, et le moindre écart dans les conditions initiales peut faire basculer un scénario vers quelque chose de radicalement différent. C'est ce qu'on appelle l'effet papillon, et les météorologues vivent avec cette réalité chaque jour. Aujourd'hui, les grands services météo — Météo-France, le Met Office britannique, la NOAA américaine — fonctionnent avec ce qu'on appelle des modèles d'ensemble : plutôt qu'une seule prévision, ils en génèrent plusieurs dizaines en parallèle, chacune avec de légères variations dans les paramètres de départ. La prévision finale est en quelque sorte une synthèse de toutes ces simulations. Le problème ? Produire 50 ensembles est déjà coûteux en puissance de calcul. Or, pour détecter un événement qui n'a qu'1 % de probabilité de se produire — une canicule record, une tempête hors norme — les chercheurs estiment qu'il faudrait en réalité 10 000 ensembles. Autant dire que c'est inaccessible avec les moyens actuels.

SEEDS : une approche radicalement différente

C'est là qu'intervient SEEDS (Scalable Ensemble Envelope Diffusion Sampler), publié dans la revue Science Advances fin mars 2024. Le modèle fonctionne sur une architecture proche des grands modèles de langage comme ChatGPT ou des outils génératifs comme Sora : il apprend à reproduire et à extrapoler des patterns complexes à partir de données réelles. Concrètement, SEEDS prend une ou deux simulations physiques classiques comme point de départ — ce que les chercheurs appellent des "seeding forecasts" — et les utilise pour générer jusqu'à 31 ensembles supplémentaires. En pratique, cela représente une production de 256 ensembles toutes les trois minutes sur une architecture Google Cloud standard. Le tout pour un coût de calcul que l'équipe qualifie de... négligeable par rapport aux méthodes actuelles. Le modèle s'appuie sur deux paramètres météo très surveillés par les prévisionnistes :

• L'énergie potentielle gravitationnelle par unité de masse dans la moyenne troposphère (vers 5 500 mètres d'altitude)
• La pression atmosphérique au niveau de la mer, indicateur classique des systèmes dépressionnaires et anticycloniques

Le test grandeur nature : la canicule européenne de 2022

Pour valider leur système, les chercheurs de Google ont rejoué la canicule de l'été 2022 en Europe — un épisode meurtrier qui avait surpris par son intensité. Sept jours avant l'événement, les données opérationnelles américaines ne montraient rien d'alarmant. Les ensembles classiques à moins de 100 membres auraient également manqué le signal. SEEDS, lui, aurait détecté l'anomalie à venir. Ce n'est pas anodin : en matière de prévision d'événements extrêmes, chaque heure de préavis supplémentaire peut permettre d'évacuer des populations, d'adapter les réseaux électriques, de préparer les hôpitaux.

Ce que ça change pour les services météo

On ne va pas se mentir : SEEDS n'est pas encore intégré dans les bulletins de Météo-France. C'est un modèle de recherche, et le chemin entre une publication scientifique et un outil opérationnel peut prendre des années. Mais les implications sont réelles. Voici ce que cette technologie pourrait permettre à terme :

• Générer des prévisions probabilistes de haute résolution pour les événements rares, sans exploser les budgets informatiques
• Améliorer la détection précoce des canicules, tempêtes et crues soudaines dans les zones à risque
• Rendre ces capacités accessibles à des pays qui ne disposent pas de supercalculateurs dédiés

Il y a quelque chose d'un peu vertigineux dans cette idée : une IA qui apprend à "imaginer" des futurs météorologiques plausibles à partir de quelques données de départ. Ce n'est plus de la physique pure, c'est une forme d'extrapolation statistique très sophistiquée. Est-ce que ça suffit pour anticiper l'imprévisible ? C'est précisément ce que les années à venir vont devoir confirmer. Ce qui est sûr, c'est que le changement climatique pousse les événements extrêmes vers des intensités et des fréquences que nos modèles historiques peinent à intégrer. Des outils comme SEEDS arrivent au bon moment.