Une équipe de scientifiques atmosphériques de l'Université de Washington a trouvé des preuves que les prévisionnistes météorologiques pourraient être en mesure de regarder jusqu'à 30 jours lors de la réalisation des prédictions. Dans leur étude, publié sur le arxiv Preprint Server, le groupe a testé le système de modélisation météorologique et de prédiction météorologique basée sur l'IA de Google à l'aide d'une technique pour améliorer les conditions météorologiques initiales pour améliorer sa précision.
Au cours du dernier demi-siècle, les prévisionnistes météorologiques en sont venus à croire qu'une période de prévision de deux semaines est la limite ultime. Cela est dû à l'effet soi-disant papillon, dans lequel de minuscules événements, tels que le vent créé par les ailes d'un papillon, peuvent entraîner des effets en cascade, entraînant des impacts plus importants.
L'effet papillon est une expérience de pensée, mais il est connu que des événements aléatoires tels que les incendies, les éruptions volcaniques et l'activité humaine peuvent provoquer des changements météorologiques locaux. Dans ce nouvel effort, les chercheurs travaillant à Washington ont testé la possibilité d'utiliser la technologie d'IA pour allonger la fenêtre de prévision.
Les chercheurs ont effectué des tests avec Graphcast, un modèle de prévision météorologique de l'IA construit par Google – il apprend via une formation sur 40 ans de données provenant de prévisions traditionnelles et d'images satellites. Ils se sont demandé si l'amélioration de la précision des conditions initiales utilisées pour générer une prévision pourrait améliorer la précision globale du modèle.
L'équipe de recherche a comparé les prévisions faites par le modèle avec l'état le plus récent de l'atmosphère tirée des données utilisées pour former le modèle. Ils ont ensuite utilisé des erreurs commises dans des prévisions à court terme comme moyen d'ajuster les conditions initiales, puis les ont appliquées aux données de réanalyse utilisées pour former le modèle, ce qui lui donne un point de départ plus précis. Ils ont ensuite répété le même exercice plus de 1 000 fois, ce qui rend les conditions initiales plus précises.
Les chercheurs ont ensuite formé un graphcast à l'aide des données nouvellement révisées et ont constaté qu'il améliorait la capacité de prévision de 10 jours de 86% en moyenne. Il a également fait des prédictions raisonnablement précises jusqu'à 33 jours dans le futur.
Les chercheurs reconnaissent que beaucoup plus de travail est nécessaire avant que les modèles d'IA puissent faire des prédictions précises à long terme, notamment en testant leur approche pour voir à quel point cela fonctionne dans le monde réel.
