L’intelligence artificielle a considérablement amélioré les prévisions météorologiques ces dernières années, les modèles météorologiques mondiaux basés sur l’IA étant désormais capables de produire des prévisions comparables aux meilleurs systèmes physiques au monde. Ces progrès reposent sur trois facteurs : l’énorme quantité de données météorologiques disponibles, les avancées des modèles d’IA et une puissance de calcul sans précédent. Si les discussions actuelles sur l’amélioration de l’IA pour les prévisions météorologiques se concentrent souvent sur les modèles ou le matériel, la disponibilité et la qualité des données restent cruciales. À l’échelle mondiale, l’IA a bénéficié de décennies de relevés climatiques et météorologiques couvrant l’ensemble de la planète. Ces ensembles de données contiennent des millions d’exemples d’évolution des conditions atmosphériques au fil du temps, permettant aux modèles d’IA d’identifier des schémas autrefois inaccessibles il y a dix ans. Cependant, à l’échelle régionale, les prévisions deviennent plus complexes, notamment pour prédire l’intensité des ouragans. L’ouragan Polo s’est intensifié rapidement au large de la côte pacifique du Mexique, passant d’une tempête tropicale le 21 septembre 2026 à un ouragan de catégorie 5 en seulement 24 heures. Polo est ainsi devenu l’un des phénomènes les plus puissants de l’océan Pacifique en plusieurs décennies, avec des vents atteignant 290 km/h. Cette intensification rapide peut surprendre les prévisionnistes, comme ce fut le cas avec l’ouragan Michael en 2018, qui s’est transformé en un ouragan dévastateur de catégorie 5 avant de frapper la base aérienne de Tyndall et Mexico Beach, en Floride, laissant peu de temps aux communautés pour évacuer et se préparer. Contrairement aux prévisions météorologiques mondiales, les prévisions d’intensité des ouragans relèvent souvent de la problématique régionale. Les prévisions locales se concentrent sur des événements extrêmes, comme de fortes pluies, des lignes de grain, des orages violents ou des ouragans. Ces phénomènes se développent souvent rapidement ou se déplacent sur de courtes périodes. Pour les modéliser dans des systèmes d’IA, il faut des données bien plus détaillées que celles généralement disponibles dans les ensembles de données mondiales actuels. Lorsqu’ils entraînent des modèles d’IA à prédire l’intensité des ouragans, les scientifiques s’appuient généralement sur deux sources de données. La première est constituée d’observations directes, incluant des mesures de précipitations, de température près de la surface, de vitesse du vent et d’autres variables météorologiques recueillies par des stations météo, des radars, des bouées et des satellites. Ces observations peuvent être très précises, mais elles sont souvent limitées aux zones côtières et inégalement réparties. De nombreuses étapes clés du développement des ouragans se produisent en haute mer, où les observations directes sont rares. Les satellites modernes aident à combler certaines de ces lacunes, mais ils ne peuvent estimer qu’une partie des précipitations, des vents de surface ou des températures des sommets nuageux en raison des limites de leur couverture. En particulier, ils ne peuvent pas scanner simultanément la structure tridimensionnelle complète de chaque ouragan à l’échelle mondiale. À l’heure actuelle, même les meilleurs systèmes d’observation ne fournissent qu’une vision partielle des ouragans à un instant donné. La deuxième source de données d’entraînement provient des simulations de modèles météorologiques, qui combinent les conditions atmosphériques et les lois de la physique pour offrir la représentation tridimensionnelle la plus complète de l’atmosphère à haute résolution. Cependant, ces données simulées ne sont pas parfaites non plus, car tous les modèles informatiques comportent des approximations et des incertitudes liées à la connaissance incomplète de l’atmosphère terrestre. Ainsi, il existe toujours des processus à petite échelle que les simulations ne peuvent capturer. Par conséquent, nous ne disposons pas encore d’un ensemble de données tridimensionnelles complet et fiable pour entraîner un modèle d’IA à prédire l’intensité des ouragans. Les données ne sont pas le seul défi pour l’IA dans la prévision des ouragans. Même si les scientifiques pouvaient mesurer chaque partie de milliers d’ouragans à travers le monde, chaque seconde, cela ne garantirait pas une prédiction parfaite de leur intensité. La raison ? Le chaos. De minuscules différences dans l’état initial d’un ouragan peuvent rapidement s’amplifier avec le temps. Des recherches récentes suggèrent que les ouragans pourraient contenir un élément de chaos empêchant les modèles d’IA de prédire avec précision leur intensité sur de longues échéances. Une fois dans un environnement favorable, une tempête tropicale peut s’intensifier jusqu’à atteindre une force maximale théorique. Les scientifiques appellent cette limite l’intensité potentielle. Elle est déterminée principalement par l’environnement environnant. Par exemple, une eau océanique chaude peut alimenter l’intensité d’un ouragan, tandis que le cisaillement du vent peut freiner son développement. Si la température de l’océan augmente, l’intensité potentielle de l’ouragan augmente aussi. Toute petite perturbation peut également provoquer des fluctuations de l’intensité. Plus la surface de l’océan est chaude, plus ces fluctuations sont importantes. Des études récentes ont proposé que ces variations ne sont pas purement aléatoires, mais s’inscrivent dans ce que l’on appelle un attracteur chaotique – un ensemble d’états possibles de la tempête au sein duquel l’évolution de l’ouragan devient imprévisible. Bien que l’existence d’un tel attracteur chaotique d’intensité n’ait pas encore été pleinement établie, elle pose un dilemme fondamental pour l’entraînement des modèles d’IA visant à prédire l’intensité des ouragans. D’un côté, les scientifiques souhaitent que les modèles d’IA produisent les prévisions les plus précises possibles. Ainsi, lors de l’entraînement, l’objectif est de minimiser l’écart entre la prévision et la réalité jusqu’à ce que le modèle atteigne l’erreur la plus faible possible. De l’autre, nous voulons aussi que le modèle saisisse le chaos intrinsèque de l’ouragan. Mais si un modèle d’IA parvient à capturer ce chaos, son erreur ne peut pas être réduite indéfiniment. Un modèle entraîné pour minimiser l’erreur de prévision pourrait donc apprendre l’évolution la plus probable d’un ouragan tout en lissant les fluctuations imprévisibles. Dans ce cas, ces deux objectifs entrent en concurrence. Comme les données comportent toujours une part d’incertitude, les règles apprises par un modèle d’IA ne sont que des approximations. La précision des prévisions d’intensité des ouragans se dégrade donc après seulement quelques jours. Le défi pour les modèles d’IA prédisant l’intensité des ouragans ne se limite pas à l’obtention de davantage de données, à la conception de réseaux de neurones plus performants ou au déploiement d’ordinateurs plus rapides. Il s’agit aussi de comprendre le comportement des ouragans et la manière dont le chaos émerge dans leur intensité. Ces deux aspects déterminent si les modèles d’IA peuvent distinguer ce qui est prévisible de ce qui ne l’est pas. Cette distinction limite non seulement la précision de nos prévisions actuelles d’intensité des ouragans, mais elle façonne aussi la prochaine génération de systèmes d’évaluation et de prévision météorologique. Ceux-ci devraient se concentrer sur une gamme d’intensités possibles et leurs probabilités, plutôt que sur un seul chiffre d’intensité.