A l’occasion de son 50e anniversaire (1975-2025), le CEPMMT (Centre Européen pour les Prévisions Météorologiques à Moyen Terme ; ECMWF en anglais) a organisé une série d’événements scientifiques.
Le point culminant de ces célébrations, le 3 décembre 2025 à Reading (Royaume-Uni), était un tour d’horizon des activités européennes en matière d’Intelligence Artificielle (IA) appliquée à la prévision numérique du temps et à la modélisation du climat. Sous la forme d’une conférence rassemblant une douzaine de présentations, cet événement intitulé « Showcase of European capabilities in weather forecasting » a été enregistré et peut être rejoué en différé après s'être identifié (nom et e-mail) lors de la première connexion.
Apparue au début des années 2020 dans le monde météorologique, l’IA (Intelligence Artificielle) a montré qu’un modèle basé sur des réseaux neuronaux soumis à un « apprentissage machine » (ML, Machine Learning) effectué sur une base de données représentant les variations du climat global sur une longue période, telle que la réanalyse ERA5, pouvait concurrencer le modèle IFS opérationnel au CEPMMT. Il peut en fait le concurrencer en qualité tout en étant beaucoup plus rapide que les modèles traditionnels pour produire quotidiennement des prévisions ! Plusieurs modèles de ce type (Graphcast, Aurora, Fourcastnet…) sont encore testés régulièrement par le CEPMMT qui a finalement installé opérationnellement en 2025 le modèle AIFS (Artificial Intelligence Forecasting System). AIFS est comme IFS (Integrated Forecasting System) muni d’une prévision d’ensemble présentant une cinquantaine de scénarios couvrant l’incertitude de cette prévision. Les résultats d’AIFS et IFS peuvent être comparés quotidiennement en sélectionnant les produits marqués « AIFS » dans le menu du lien suivant:
https://charts.ecmwf.int/
Dans sa présentation du 3 décembre, Simon Lang (CEPMMT) a expliqué que pour cette première version opérationnelle d'AIFS, de nombreux développements sont susceptibles de l'améliorer, par exemple en itérant la "boucle d'apprentissage" sur différentes bases de données, ou encore en faisant varier la nature de la "loss function" (ou "cost function", ou "fonction coût", qui mesure l'écart entre la prévision et le temps qu'il a fait) que l'apprentissage cherche à minimiser: par défaut c'est l'erreur quadratique moyenne de la prévision qui est minimisée pour ajuster la prévision, mais ce peut-être aussi un score probabiliste tel que le CRPS (Continuous Ranked Probability Score) utilisé couramment pour évaluer une prévision d'ensemble.
De nombreux projets de modélisation par intelligence artificielle sont menés en Europe. Ils sont basés sur des modèles globaux ou à domaine limité. Ils traitent surtout de prévision numérique du temps à court ou moyen terme. Mais plusieurs projets traitent aussi de prévision immédiate ou de prévision saisonnière. Presque tous se font dans un cadre coopératif européen. D'ailleurs la conférence du 3 décembre a été conclue en tandem par Florian Pappenberger (nouveau directeur général du CEPMMT, succédant à Florence Rabier au 1er janvier 2026) et Christof Appenzeller (directeur général de MeteoSwiss): ils ont insisté sur 3 points: "cooperation, cooperation, cooperation"!
Une chaîne de prévision numérique du temps par apprentissage machine telle que celle opérée par AIFS est dépendante d'un système d'assimilation de données qui, à ce stade, ne peut pas être remplacé opérationnellement par un système basé sur l'intelligence artificielle. Mais des recherches sont effectuées dans ce sens, comme le projet AIVAR (Artificial Intelligence Variational) présenté par Jan Keller (Deutscher Wetter Dienst). Voir aussi la présentation d'Eulalie Boucher (CEPMMT) qui produit des prévisions par un apprentissage effectué uniquement sur des bases de données observées, sans recourir à aucune analyse ou réanalyse (algorithme appelé DOP: Direct Observation Prediction).
Concernant la prévision immédiate ou à très court terme, une approche originale a été présentée par Laure Raynaud (Météo-France). L'approche consiste à réaliser une prévision spécifique adaptée à un usage particulier, ou ciblée sur la détection d'un phénomène dangereux particulier, par un algorithme d'apprentissage qui intègre toute la chaîne de prévision jusqu'aux post-traitements spécifiques à ces besoins particuliers. Ainsi, pour prévoir l'évolution du brouillard sur la basse vallée de la Seine, à une échelle assez fine pour assurer la sécurité du transport maritime, Météo-France a mis en place un algorithme d'apprentissage à partir de données provenant à la fois de modèles opérationnels classiques à petite échelle et d'un historique à échelle spatio-temporelle fine du brouillard observé sur la région.
Il est clair que sous l'influence de l'intelligence artificielle, la prévision du temps et la modélisation climatique sont en train de prendre un tournant majeur depuis le début des années 2020 et au moment où une certaine Europe météorologique atteint son 50e anniversaire. Pourtant, aucune découverte scientifique majeure n'a bouleversé la météorologie et le climat au cours de ce demi-siècle. Les algorithmes d'intelligence artificielle se sont développés, modernisés, optimisés, mais les notions mathématiques qui les sous-tendent étaient connues et utilisées en météorologie depuis plusieurs décennies (réseaux de neurones; minimisation itérative d'une fonction dépendant d'un grand nombre de paramètres). Il se pourrait que cette révolution soit plutôt de nature informatique, qu'elle soit liée aux progrès fulgurants des calculateurs et des logiciels depuis une dizaine d'années, alors que commençait à stagner la puissance des micro-processeurs élémentaires, puissance qui avait été multipliée par un facteur astronomique au cours des décennies précédentes en suivant la "loi de Moore". Il semblerait qu'alors les progrès de l'informatique aient surtout permis un accès rapide et efficace à de multiples bases de données (observées, analysées, ou prévues) préalablement mises dans un format suffisamment général, et manipulables dans un langage informatique convivial. C'est l'efficacité de l'accès à ces bases de données qui permet d'effectuer l'apprentissage machine sur de longues séries de (ré)analyses ou d'observations.
La conférence du 3 décembre était essentiellement axée sur la prévision numérique du temps, domaine historique des activités du CEPMMT. Ses activités de type climat, plus récentes seront présentées les 9 et 10 mars 2026 à Bruxelles dans un atelier thématique intitulé " Artificial Intelligence and Earth Observation: from Innovation to Services". Cet atelier (organisé par l'Union Européenne dans le cadre du programme Copernicus) sera accessible en ligne sur inscription:
A l'occasion de son cinquantième anniversaire, le CEPMMT a aussi publié un bilan de ces cinquante ans sous forme de 3 documents accessibles en ligne:
https://www.ecmwf.int/sites/default/files/elibrary/81651-fifty-years-of-earth-system-modelling-at-ecmwf.pdf
https://www.ecmwf.int/sites/default/files/elibrary/81650-fifty-years-of-data-assimilation-at-ecmwf.pdf
https://www.ecmwf.int/sites/default/files/elibrary/81652-ten-years-of-copernicus-at-ecmwf.pdf
L'événement du 3 décembre est une prospective sur l'IA qui peut être regardée à la lumière de ces 3 documents. L'événement peut être regardé plus simplement à la lumière du diaporama photo qui couvre les présentations de la conférence, et aussi la soirée festive qui s'en est suivie:
Mots clés : Intelligence Artificielle (IA, AI en anglais) ; Apprentissage machine (ML, Machine Learning en anglais).