GenCast, le modèle de prévision météorologique de Google, peut prédire les événements météorologiques extrêmes plus de deux semaines à l'avance

Google DeepMind, le laboratoire de recherche en IA du géant des moteurs de recherche, vient de lancer GenCastIl s'agit d'un modèle d'IA de prévision météorologique qui se vante d'être plus performant que les méthodes traditionnelles de prévision.

Google affirme que GenCast offre des prévisions plus rapides et plus précises de la météo quotidienne et des événements extrêmes jusqu'à 15 jours à l'avance. La société mentionne dans son papier qu’il peut également prédire des événements tels que les cyclones tropicaux et la production d’énergie éolienne.

Il utilise un modèle de diffusion et a été formé sur quatre décennies de données du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF). Google mentionne également que le modèle open source peut être encore plus efficace que son système de prévision d'ensemble (ENS) de pointe.

« Les avancées récentes dans le domaine des prévisions météorologiques basées sur l'apprentissage automatique (ML) (MLWP) ont produit des modèles basés sur l'apprentissage automatique avec moins d'erreurs de prévision que les simulations NWP simples », affirment les chercheurs de Google.

« Cependant, ces avancées se sont principalement concentrées sur des prévisions uniques et déterministes qui ne parviennent pas à représenter l’incertitude et à estimer le risque », peut-on lire dans le document.

L'année dernière, Google DeepMind Lancement de GraphCast, le prédécesseur de GenCast, et il ne pouvait prédire que jusqu'à 10 jours. L'ECMWF utilisait déjà le modèle d'IA open source, qui utilisait également l'apprentissage automatique pour effectuer ces calculs en moins d'une minute.

La firme de Mountain View a déclaré dans Article de GraphCast que la méthode de prévision météorologique a été formée directement sur des données de réanalyse historiques et pouvait prédire à l'avance avec une résolution de 0.25°, obtenant une précision supérieure dans 90 % des cas testés et excelle.

« La prévision numérique traditionnelle du temps utilise des ressources de calcul accrues pour améliorer la précision des prévisions, mais n'utilise pas directement les données météorologiques historiques pour améliorer le modèle sous-jacent », ont déclaré les chercheurs de DeepMind.