GraphCast : comment Google DeepMind veut révolutionner les prévisions météorologiques avec le deep learning

Peu de temps après la présentation du modèle MetNet-3 intégré dans la fonctionnalité Google Nowcast, DeepMind dévoile GraphCast, un nouveau modèle de prévision météorologique basé sur le machine learning et les GNN. Ce modèle est capable de fournir des prédictions des conditions météorologiques très précises sur 10 jours et même de prévoir des évènements extrêmes, comme les ouragans ou les tempêtes, bien que n'ayant pas été entraîné spécifiquement pour. Les chercheurs ont publié récemment leurs travaux dans Science. Les prévisions météorologiques reposent traditionnellement sur la Prévision Numérique du Temps (PNT), qui implique la formulation d'équations physiques converties ensuite en algorithmes informatiques. Les modèles de prévision, entraînés à partir de données historiques, sont améliorés par des experts hautement qualifiés. Outre une expertise avancée, cette méthode, particulièrement coûteuse en termes de puissance de calcul, nécessite de faire appel à des ordinateurs très puissants alors que GraphCast peut être exécuté sur un ordinateur de bureau.

GraphCast, un modèle basé sur le deep learning

La prévision météorologique basée sur l’apprentissage automatique (MLWP) offre une alternative au PNT traditionnel. Les chercheurs de DeepMind ont utilisé le deep learning pour entraîner GraphCast, un modèle de 36,7 millions de paramètres, sur quatre décennies de données de réanalyse météorologique, à partir de l’ensemble de données ERA5 du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT). Le modèle entraîné se base sur l’état de la météo mondiale 6 heures auparavant et la météo en temps réel pour prédire le temps 6 heures à l’avance.   [caption id="attachment_53591" align="alignnone" width="800"] Pour les entrées, GraphCast n’a besoin que de deux ensembles de données : l’état de la météo d’il y a 6 heures et l’état actuel de la météo. Le modèle prédit alors le temps qu’il fera 6 heures dans le futur. Ce processus peut ensuite être reporté par incréments de 6 heures pour fournir des prévisions de pointe jusqu’à 10 jours à l’avance. Crédit Google DeepMind[/caption]

Les performances du modèle

Selon les chercheurs, bien que l’entraînement de GraphCast ait été intensif en calcul, le modèle de prévision qui en résulte est très efficace : moins d’une minute est nécessaire sur une seule machine Google TPU v4 pour faire une prévision à 10 jours contre des heures de calcul dans un supercalculateur avec des centaines de machines. GraphCast serait en outre le système de prévision météorologique mondiale sur 10 jours le plus précis au monde. Les chercheurs de DeepMind ont évalué ses performances par rapport au système de simulation météorologique de référence, le High Resolution Forecast (HRES), produit par le CEPMMT : GraphCast a fourni des prédictions plus précises sur plus de 90 % des 1380 variables de test et des délais de prévision. Ils ont également comparé les performances de GraphCast à celles du principal modèle météorologique concurrent basé sur l’apprentissage automatique, Pangu-Weather, et ont constaté que GraphCast le surpassait sur 99,2 % des 252 cibles présentées ; [embed]https://youtu.be/hgPTnpQZXPM[/embed] Leur modèle peut également fournir des alertes plus précoces pour les événements météorologiques extrêmes. Il peut ainsi prédire la trajectoire des cyclones avec une grande précision, identifier les rivières atmosphériques associées au risque d’inondation, et prédire l’apparition de températures extrêmes. Par exemple, en septembre dernier, GraphCast  a prédit neuf jours à l’avance que l’ouragan Lee toucherait la Nouvelle-Écosse, au Canada, trois jours avant les systèmes traditionnels. On peut retrouver une expérimentation expérimentation de GraphCast sur le site du CEPMMT. Le code du modèle est disponible sur GitHub. Références de l'article : Blog Google DeepMind Retrouver l'article de recherche ici