Ce mardi 1er juillet 2025, le Centre Européen pour les Prévisions à Moyen Terme (ECMWF) a lancé la première version de modèle probabiliste du système de prévisions par intelligence artificielle (AIFS). Le modèle AIFS ENS v1 fourni des prévisions d’ensemble et tourne en parallèle avec le modèle physique traditionnel Integrated Forecasting System (IFS), pour faire progresser les prévisions météorologiques numériques. Ce modèle d’ensemble de haute précision vient compléter le portfolio de services d’ECMWF en utilisant les opportunités offertes par le machine learning et l’intelligence artificielle. Le modèle AIFS ENS ne fourni pas seulement une prévision , il fourni également une estimation de l’incertitude de celle-ci.

Le modèle AIFS ENS v1 est un système de prévision météorologique probabiliste développé par l’ECMWF, qui utilise le machine learning pour générer des prévisions d'ensemble. Il produit plusieurs membres de prévisions en échantillonnant à partir d'une distribution apprise, capturant ainsi l'incertitude des conditions météorologiques futures. Le modèle est entraîné à l'aide d'une version du Continuous Ranked Probability Score (CRPS), une fonction de perte qui permet de garantir que les prévisions sont à la fois précises et bien calibrées. Cette approche d'entraînement tient compte des limites liées à l'utilisation d'un nombre fini de membres d'ensemble. L'AIFS ENS surpasse le système d'ensemble traditionnel basé sur la physique de l'ECMWF dans les prévisions à moyen terme et offre des performances compétitives pour les prévisions sous-saisonnières lorsqu'il est évalué en termes d'anomalies.

Le nouveau modèle d'ensemble surpasse les modèles physiques de pointe pour de nombreuses mesures, notamment la température de surface, avec des gains pouvant atteindre 20 %. Pour l'instant, il fonctionne à une résolution inférieure (31 km) à celle du système d'ensemble physique (9 km), qui reste indispensable pour les champs à haute résolution et les processus couplés du système terrestre.

L'AIFS ENS s'appuie sur l'assimilation de données basées sur la physique pour générer les conditions initiales. Cependant, il peut générer des prévisions plus de 10 fois plus rapidement que le système de prévision basé sur la physique, tout en réduisant la consommation d'énergie d'environ 1 000 fois.

Michiel Van Ginderachter, scientifique à l’IRM, explique : “Au lieu d'optimiser l'erreur, AIFS ENS optimise le CRPS, un score qui intègre à la fois l'erreur et l'estimation de l'incertitude. En d'autres termes, l'entraînement ne cherche pas seulement à réduire l'erreur au minimum, mais aussi à fournir une estimation de l'incertitude qui corresponde à l'erreur. Il permet ainsi de mieux estimer l'erreur de sa propre prévision.”

“Comme tous les autres modèles déterministes, AIFS souffre d'un phénomène appelé « lissage ». Cela signifie que lorsque vous augmentez les délais (prévisions à plus long terme), le modèle a tendance à lisser les champs tels que la température et le vent. En conséquence, toutes les caractéristiques à petite échelle de vos prévisions sont perdues et les champs perdent leurs extrêmes. Grâce à la nouvelle méthode d'entraînement de l'AIFS ENS, ce n'est plus le cas. Les champs de prévision ne sont plus lissés et les champs tels que la température et le vent conservent leurs caractéristiques à petite échelle jusqu'à une date très éloignée dans la prévision, ce qui rend cette dernière beaucoup plus réaliste que les prévisions de l'AIFS Single.” indique M. Van Ginderachter.

Comme ces modèles ne sont plus soumis aux lois physiques, certains artefacts non physiques apparaissent de temps à autre (en particulier pour les prévisions à très long terme, c'est-à-dire au-delà de 10 jours). L'interprétation humaine reste donc essentielle.

Ce nouveau modèle n'est pas encore utilisé par nos prévisionnistes, mais il sera mis à leur disposition dans un avenir proche.