3 minutes pour prédire 30 ans : ce que l'IA voit dans le climat que nous ratons

Un satellite capte 10 téraoctets de données climatiques chaque jour. Pendant des décennies, la majorité de cette information a dormi dans des disques durs.

Ce n'est pas un manque de volonté des climatologues. C'est simplement que le cerveau humain — et les outils statistiques traditionnels — ne pouvaient pas traiter cette masse brute à la vitesse nécessaire pour agir avant la prochaine crise. Aujourd'hui, les modèles d'apprentissage machine changent cette équation. Pas de façon abstraite. De façon mesurable, opérationnelle, et parfois troublante.

Pourquoi les modèles climatiques classiques atteignaient leurs limites

Les modèles de circulation générale (GCM), utilisés depuis les années 1960, simulent le climat en résolvant des équations physiques sur une grille planétaire. Ils sont puissants, mais fondamentalement contraints par deux facteurs : la résolution spatiale et le temps de calcul.

Concrètement, un modèle physique classique peut mettre plusieurs semaines sur un supercalculateur pour produire une simulation centenaire à résolution moyenne. Et augmenter la résolution ne fait pas que doubler les besoins en calcul — elle les multiplie exponentiellement.

Résultat : les zones côtières, les vallées de montagne, les microclimats urbains restaient des angles morts. Des régions entières recevaient des projections floues, alors que c'est précisément là que vivent les populations les plus exposées.

Ce que l'apprentissage machine apporte que la physique ne peut pas donner seule

Les modèles de machine learning — réseaux de neurones, transformeurs, modèles de diffusion — n'ont pas été conçus pour remplacer la physique. Ils ont été intégrés pour faire ce que la physique fait mal : interpoler, accélérer et détecter des patterns non linéaires dans des données massives.

Trois apports concrets dominent aujourd'hui :

• Le super-résolution climatique : des algorithmes comme ceux développés par NVIDIA (basés sur des réseaux convolutifs) permettent de prendre une simulation à faible résolution et d'en inférer les détails locaux avec une précision comparable à une simulation 50 fois plus coûteuse.
• La détection d'événements extrêmes : des modèles entraînés sur des décennies d'archives satellitaires peuvent identifier les précurseurs atmosphériques de cyclones ou de sécheresses jusqu'à 14 jours à l'avance, contre 5 à 7 jours pour les méthodes conventionnelles.
• L'émulation de modèles physiques : au lieu de relancer entièrement un GCM, un réseau de neurones entraîné sur ses sorties peut produire une simulation équivalente en quelques minutes. Le projet ClimaX de Microsoft Research en est l'exemple le plus abouti à ce jour.

Trois cas concrets qui ont changé la donne

1. GraphCast de Google DeepMind

En novembre 2023, DeepMind a publié GraphCast, un modèle de prévision météorologique basé sur des graphes de neurones. Il produit des prévisions à 10 jours avec une précision supérieure aux meilleurs modèles opérationnels européens — en 60 secondes là où ces derniers nécessitent plusieurs heures de calcul distribué. Ce n'est pas une démonstration académique : il est déjà utilisé en complément des systèmes de prévision de plusieurs agences nationales.

2. L'attribution des év��nements extrêmes

L'un des défis les plus complexes en climatologie est de répondre à la question : "Quelle part de cette canicule est due au changement climatique ?" Des équipes de l'ETH Zurich utilisent désormais des modèles de causalité basés sur l'IA pour produire ces analyses d'attribution en 48 heures après un événement, contre plusieurs mois auparavant. En 2023, lors des incendies au Canada, cette capacité a permis de quantifier l'influence humaine pendant que les feux brûlaient encore.

3. Modélisation des points de bascule

Les tipping points — effondrement de la circulation atlantique, dégel du pergélisol sibérien — sont notablement difficiles à modéliser avec des équations différentielles. Des chercheurs du Potsdam Institute for Climate Impact Research ont entraîné des réseaux récurrents sur des données paléoclimatiques pour détecter les signatures précurseurs de ces basculements. Leurs modèles suggèrent que certains seuils pourraient être franchis plus tôt que ce qu'anticipaient les rapports du GIEC.

Les limites qu'on préfère ne pas mentionner

L'enthousiasme est légitime. Mais il masque des tensions réelles. Un modèle de deep learning entraîné sur des données climatiques historiques peut être aveugle à des régimes climatiques sans précédent — exactement ceux que nous sommes susceptibles de rencontrer dans les décennies à venir. C'est ce que les chercheurs appellent le problème de distribution shift.

Par ailleurs, l'entraînement de ces modèles consomme lui-même une quantité non négligeable d'énergie. L'ironie d'un outil énergivore au service de la compréhension des crises énergétiques n'échappe à personne dans la communauté scientifique.

Ce que cela signifie pour les décideurs et les citoyens

La vraie rupture n'est pas technique. Elle est temporelle. Avoir des projections climatiques locales fiables en temps quasi réel change la nature des décisions possibles : urbanisme, agriculture, assurance, politique de santé publique. Des régions qui attendaient des rapports tous les cinq ans peuvent désormais ajuster leurs modèles de risque chaque trimestre.

Pour le grand public, cela signifie aussi que les données climatiques cessent d'être l'apanage des supercalculateurs gouvernementaux. Des outils comme ClimateTrace ou les APIs de Copernicus, couplés à des modèles légers, commencent à rendre ces analyses accessibles à des ONG, des journalistes, des collectivités locales.

Conclusion : une alliance, pas une substitution

Les physiciens du climat ne sont pas en train d'être remplacés. Ce qui change, c'est leur capacité d'action. L'apprentissage machine leur donne un microscope là où ils n'avaient qu'une loupe — et une horloge là où ils travaillaient sans montre.

La crise climatique est une crise de données autant qu'une crise physique. Et pour la première fois, nous avons des outils capables de traiter les deux à la même vitesse que les événements eux-mêmes se déroulent. Ce n'est pas une garantie de solutions. C'est une condition nécessaire pour ne plus être surpris.

— Reservoir Live