Microsoft lance l'outil PBC pour améliorer les prévisions météo à moyen terme

Principe de la correction probabiliste

Le projet, nommé Probabilistic Bias Correction (PBC), utilise l’apprentissage automatique pour identifier et corriger les biais systématiques présents dans les modèles météorologiques existants. Les modèles physiques, qui simulent les équations de l’atmosphère, et les modèles IA, qui extrapolent à partir de séries historiques, partagent tous deux des approximations liées aux zones où les stations sont rares ou aux phénomènes complexes. PBC apprend, à partir de données d’observation, une fonction de correction qui ajuste les sorties du modèle de base, par exemple en compensant le glissement vers des températures plus froides que celles induites par l’augmentation des gaz à effet de serre.

Performances mesurées

Dans l’étude publiée dans *Nature*, les auteurs ont appliqué PBC à un modèle physique de l’European Centre for Medium‑Range Weather Forecasts (ECMWF). Les résultats montrent que la précision des prévisions de précipitations a été améliorée pour 98 % des cibles et que les prévisions de température ont atteint 92 % des cibles. En parallèle, l’application de PBC à la nouvelle chaîne de prévision IA d’ECMWF a doublé son taux de précision, ce qui indique que la méthode n’est pas limitée à un seul type de modèle.

Un autre point technique notable est la consommation de ressources. Contrairement aux modèles physiques qui nécessitent des supercalculateurs ou aux approches IA génératives qui reposent sur des GPU, PBC s’exécute entièrement sur des CPU classiques, ce qui réduit le coût énergétique et matériel de plusieurs ordres de grandeur.

Implications opérationnelles et limites

Le caractère léger de PBC le rend accessible aux services météorologiques disposant de moyens limités, comme le Kenya Meteorological Service Authority, qui teste déjà l’outil dans le cadre d’un projet financé par la Gates Foundation. La disponibilité du code en open source permet à d’autres institutions de l’adapter à leurs modèles locaux, favorisant ainsi une diffusion plus rapide de la technologie.

Cependant, la méthode dépend de la qualité du modèle de base : si le modèle initial comporte des erreurs structurelles majeures, la correction probabiliste ne pourra pas les éliminer entièrement. De plus, la capacité de PBC à anticiper des événements extrêmes, qui sont souvent sous‑représentés dans les jeux de données historiques, reste à valider dans des contextes opérationnels. Enfin, l’intégration dans les chaînes de production météorologique nécessite des étapes de validation et de certification, comme le souligne le responsable du machine learning d’ECMWF.