Médium précis

Apr 14, 2024

Nature volume 619, pages 533-538 (2023)Citer cet article

106 000 accès

4 citations

1534 Altmétrique

Détails des métriques

Les prévisions météorologiques sont importantes pour la science et la société. À l’heure actuelle, le système de prévision le plus précis est la méthode de prévision numérique du temps (PNT), qui représente les états atmosphériques sous forme de grilles discrétisées et résout numériquement les équations aux dérivées partielles qui décrivent la transition entre ces états1. Cependant, cette procédure est coûteuse en calcul. Récemment, les méthodes basées sur l’intelligence artificielle2 ont montré leur potentiel pour accélérer les prévisions météorologiques de plusieurs ordres de grandeur, mais la précision des prévisions reste nettement inférieure à celle des méthodes de prévision numérique du temps. Nous présentons ici une méthode basée sur l’intelligence artificielle pour des prévisions météorologiques mondiales précises à moyen terme. Nous montrons que les réseaux profonds tridimensionnels équipés de priorités spécifiques à la Terre sont efficaces pour traiter des modèles complexes de données météorologiques et qu'une stratégie d'agrégation temporelle hiérarchique réduit les erreurs d'accumulation dans les prévisions à moyen terme. Formé sur 39 ans de données mondiales, notre programme, Pangu-Weather, obtient des résultats de prévision déterministes plus solides sur les données de réanalyse de toutes les variables testées par rapport au meilleur système de prévision numérique du temps au monde, le système de prévision intégré opérationnel du Centre européen pour la météorologie à moyen terme. Prévisions (ECMWF)3. Notre méthode fonctionne également bien avec les prévisions météorologiques extrêmes et les prévisions d’ensemble. Lorsqu'elle est initialisée avec des données de réanalyse, la précision du suivi des cyclones tropicaux est également supérieure à celle du ECMWF-HRES.

La prévision météorologique est une application importante du calcul scientifique qui vise à prédire les changements météorologiques futurs, notamment en ce qui concerne les événements météorologiques extrêmes. Au cours de la dernière décennie, les systèmes de calcul haute performance ont considérablement accéléré la recherche dans le domaine des méthodes de prévision numérique du temps (PNT)1. Les méthodes conventionnelles de prévision numérique du temps visent principalement à décrire les transitions entre des grilles discrétisées d'états atmosphériques à l'aide d'équations aux dérivées partielles (EDP), puis à les résoudre à l'aide de simulations numériques4,5,6. Ces méthodes sont souvent lentes ; une seule simulation pour une prévision sur dix jours peut nécessiter des heures de calcul dans un superordinateur doté de centaines de nœuds7. De plus, les algorithmes de prévision numérique du temps conventionnels reposent en grande partie sur le paramétrage, qui utilise des fonctions approximatives pour capturer les processus non résolus, dans lesquels des erreurs peuvent être introduites par approximation8,9.

Le développement rapide de l’apprentissage profond10 a introduit une direction prometteuse, que la communauté scientifique qualifie de méthodes basées sur l’intelligence artificielle (IA)2,11,12,13,14,15,16. Ici, la méthodologie consiste à former un réseau neuronal profond pour capturer la relation entre l'entrée (réanalyse des données météorologiques à un moment donné) et la sortie (réanalyse des données météorologiques à un moment donné). Sur les appareils informatiques spécialisés tels que les unités de traitement graphique (GPU), les méthodes basées sur l'IA sont extrêmement rapides. Pour donner un exemple récent, FourCastNet2 ne prend que 7 secondes pour calculer une prévision sur 24 heures pour 100 membres, ce qui est plusieurs fois plus rapide que les méthodes de prévision numérique du temps conventionnelles. Cependant, la précision de FourCastNet est encore insuffisante ; son erreur quadratique moyenne (RMSE) d'une prévision Z500 sur 5 jours (géopotentiel de 500 hPa) est de 484,5, ce qui est bien pire que les 333,7 signalés par le système de prévision intégré opérationnel (IFS) du Centre européen pour les prévisions météorologiques à moyen terme. (CEPMMT)3. Dans une enquête récente17, les chercheurs ont reconnu que l’IA recèle un grand potentiel, mais ont admis qu’« un certain nombre d’avancées fondamentales sont nécessaires » avant que les méthodes basées sur l’IA puissent vaincre la prévision numérique du temps.

Ces avancées semblent se produire plus tôt que prévu. Nous présentons ici Pangu-Weather (voir Méthodes pour une explication du nom « Pangu »), un puissant système de prévision météorologique basé sur l'IA qui produit des résultats de prévision déterministe plus forts que l'IFS opérationnel sur toutes les variables météorologiques testées par rapport aux données de réanalyse. Nos contributions techniques sont doubles. Premièrement, nous avons intégré les informations sur la hauteur dans une nouvelle dimension afin que les entrées et sorties de nos réseaux neuronaux profonds puissent être conceptualisées en trois dimensions. Nous avons en outre conçu une architecture de transformateur tridimensionnel (3D) spécifique à la Terre (3DEST) pour injecter des priors spécifiques à la Terre dans les réseaux profonds. Nos expériences montrent que les modèles 3D, en formulant la hauteur dans une dimension individuelle, ont la capacité de capturer la relation entre les états atmosphériques à différents niveaux de pression et génèrent ainsi des gains de précision significatifs, par rapport aux modèles bidimensionnels tels que FourCastNet2. Deuxièmement, nous avons appliqué un algorithme d’agrégation temporelle hiérarchique qui implique la formation d’une série de modèles avec des délais de prévision croissants. Ainsi, lors de la phase de test, le nombre d’itérations nécessaires à la prévision météorologique à moyen terme a été considérablement réduit et les erreurs de prévision cumulées ont été atténuées. Les expériences sur la cinquième génération de données de réanalyse du CEPMMT (ERA5)18 ont validé que Pangu-Weather est performant en matière de prévisions déterministes et de prévisions météorologiques extrêmes tout en étant plus de 10 000 fois plus rapide que l'IFS opérationnel.