Les prévisions météorologiques sont devenues remarquablement fiables sur des horizons courts : les modèles actuels sont très précis jusqu'à environ deux semaines, et les projections climatiques à long terme s'améliorent également régulièrement. Entre ces deux échelles de temps, il existe cependant un angle mort persistant. Les prévisions sur une période de deux à six semaines – connues sous le nom de prévisions sous-saisonnières – restent peu fiables, même si c'est précisément la plage qui compte pour décider du moment des semis, de la manière d'allouer l'eau et l'énergie et de la manière de se préparer aux incendies de forêt.

Microsoft Research et un réseau de collaborateurs externes affirment avoir trouvé un moyen de réduire cet écart, non pas en créant un énième modèle de prévision, mais en apprenant aux logiciels à corriger les erreurs prévisibles des modèles déjà existants. L'approche, appelée Probabilistic Bias Correction (PBC), est détaillée dans un article publié dans la revue scientifique Nature et décrite dans un article de blog Microsoft publié cette semaine. Il s’agit de l’une des entrées les plus discrètement pratiques dans la vague de recherche appliquée sur l’IA couverte par les derniers développements de l’IA, car elle met à niveau les systèmes sur lesquels les météorologues s’appuient déjà plutôt que de leur demander de passer à quelque chose de nouveau.

Pourquoi la fenêtre de deux à six semaines défie les prévisions

Les modèles basés sur la physique simulent l’atmosphère et les océans à l’aide d’équations scientifiques, tandis que les nouveaux modèles d’IA s’entraînent sur de vastes archives de données météorologiques observées. Selon Microsoft, les deux familles fonctionnent bien pendant environ dix jours. Au-delà de ce point, les petites erreurs initiales s’accumulent et les interactions complexes entre l’atmosphère, les océans et la surface terrestre submergent les deux approches, raison pour laquelle les perspectives de deux à six semaines sont longtemps en retard par rapport au reste des prévisions.

Plutôt que d'entrer dans un champ encombré de modèles concurrents, l'équipe dirigée par Microsoft s'est concentrée sur une cible différente : les erreurs systématiques et reproductibles que commettent les modèles dans cette gamme. "Notre nouveau pipeline (PBC) prend votre modèle préféré en entrée et apprend de quelles manières il a tendance à commettre des erreurs. Il corrige ensuite ces erreurs, produisant ainsi une meilleure prévision de production pour la gamme sous-saisonnière", a expliqué la société dans son blog.

Une couche légère au-dessus des modèles existants

Techniquement, PBC est un système d'apprentissage automatique léger qui étudie les archives de prévisions historiques d'un modèle donné pour savoir où et comment elles sont systématiquement biaisées. Une fois ces modèles appris, le système ajuste la sortie probabiliste du modèle pour compenser. Dans les évaluations décrites dans l'article Nature, Microsoft rapporte que la PBC a amélioré les performances du principal modèle sous-saisonnier à biais opérationnel au monde, exploité par le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF).

Les résultats ont résisté aux compétitions en direct, et pas seulement aux tests rétrospectifs. Le CEPMMT a lancé l'AI Weather Quest en août 2025, un concours en temps réel conçu pour faire progresser les prévisions probabilistes sous-saisonnières. Une équipe appelée MicroEnsemble, composée de chercheurs Microsoft et de collaborateurs externes, a remporté les honneurs avec une entrée baptisée MicroDuet, qui appliquait la PBC au modèle dynamique de pointe du CEPMMT.

"AI Weather Quest fournit une plate-forme unique d'analyse comparative en temps réel pour les prévisions sous-saisonnières", a déclaré le Dr Joshua Talib, scientifique en prévisions sous-saisonnières au CEPMMT. « Les contributions de l'équipe MicroEnsemble ont mis en lumière la manière dont l'apprentissage automatique peut améliorer les compétences des systèmes de prévision dynamique traditionnels grâce au post-traitement. »

Du benchmark aux pilotes réels en Afrique de l’Est

La technique va déjà au-delà des références. Au Kenya, les prévisionnistes se préparent à tester la PBC alors que commence l'une des deux saisons des pluies du pays. Cet effort implique l'Autorité du Service Météorologique du Kenya (KMSA) et des scientifiques du Centre des Risques Climatiques de l'Université de Californie à Santa Barbara, avec les conseils de Geneviève Flaspohler, qui dirige Rhiza Research, une organisation à but non lucratif axée sur l'amélioration des prévisions météorologiques basées sur l'IA.

Flaspohler soutient que la valeur d’une prévision dépend du fait d’arriver à temps pour y donner suite. « De bonnes prévisions météorologiques, fournies au bon moment et sur le bon canal de communication, peuvent constituer un facteur de différenciation important pour les résultats agricoles », a-t-elle déclaré, soulignant que l'Afrique de l'Est oscille entre les années les plus sèches jamais enregistrées et les années les plus humides de son histoire. Dans une région où les exploitations agricoles manquent largement d’irrigation et où les décisions en matière de plantation, de fertilisation et d’achat de semences dépendent toutes des perspectives, une prévision sous-saisonnière plus précise ne constitue pas une amélioration abstraite.

"Parce que nous sommes au milieu du phénomène El Niño le plus chaud jamais enregistré, il y a beaucoup de craintes parmi les gouvernements et dans la communauté scientifique du climat quant à la façon dont cela se manifestera", a déclaré Flaspohler. "Il existe un énorme besoin de méthodes de prévision simples et robustes."

Un argument d’efficacité à l’ère des modèles plus grands

Ce qui rend la PBC remarquable dans la recherche sur l’IA, c’est son économie. Alors qu'une grande partie du terrain s'efforce de former des modèles de prévision de bout en bout de plus en plus grands, le PBC est un système relativement petit qui emprunte l'essentiel de ses compétences aux modèles opérationnels qu'il corrige. Cela rend le fonctionnement moins coûteux et plus facile à adopter pour les agences météorologiques, puisqu’elles peuvent conserver leur infrastructure existante et simplement ajouter une couche de correction.

Cela reflète également un modèle plus large d’apprentissage automatique appliqué : le post-traitement et l’étalonnage génèrent souvent des gains qui nécessiteraient autrement une refonte complète du modèle. Pour les services météorologiques qui évaluent où dépenser des budgets limités, une méthode qui améliore manifestement la plage de prévision la plus difficile – validée à la fois dans Nature et lors d’un concours en direct du CEPMMT – est susceptible d’attirer l’attention.

Ce qui vient ensuite pour l'IA sous-saisonnière

Le billet de blog de Microsoft n'annonce pas un produit opérationnel, et la société n'a pas précisé si PBC serait intégré aux offres de prévisions commerciales. Le test à court terme est de savoir si les services météorologiques nationaux commencent à adopter des couches de correction de biais comme le PBC pour leurs perspectives sous-saisonnières, et si l'approche s'adapte bien aux modèles de prévision d'IA qui entrent désormais en service opérationnel.

Si tel est le cas, la fenêtre de deux à six semaines – la période avec laquelle les agriculteurs, les opérateurs de réseau et les planificateurs de catastrophes ont historiquement eu le moins de travail – pourrait enfin commencer à se fermer. Pour un domaine qui a passé des décennies à rechercher des gains marginaux en compétences, laisser un petit système d’apprentissage automatique nettoyer les erreurs systématiques de modèles physiques géants est une forme de progrès pragmatique.

---

Gardez une longueur d'avance sur l'IA

Recevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.

Lire plus d'actualités sur l'IA →