Sa famille de modèles ouverts Earth-2 doit aider chercheurs, agences météorologiques et entreprises du monde entier à accéder à des capacités de prévisions pilotées par l’intelligence artificielle. Leur principal atout repose sur un besoin moins gourmand en calcul.
Travaillant depuis des années sur la modélisation du changement climatique à l’aide de l’intelligence artificielle, Nvidia accélère aujourd’hui sur le sujet avec la publication en open source de la famille de modèles Earth-2 — premier ensemble entièrement ouvert de modèles et d’outils pour la météo basée sur l’IA.
Son ambition ? Faire des prévisions météorologiques et climatiques un sujet plus accessible grâce à l’intelligence artificielle, en passant par le traitement des données d’observation initiales à la génération de prévisions globales à 15 jours ou les prévisions locales de tempêtes.
De nouveaux modèles ouverts rejoignent la famille Earth-2
Dans ce cadre, Nvidia a développé trois modèles météo ouverts regroupés sous sa famille de modèles Earth-2. Il y a ainsi Earth-2 Medium Range, propulsé par une architecture de modèle appelée Atlas, permettant des prévisions météo “globales à 15 jours avec le niveau de compétence le plus élevé de tous les modèles existants” sur plus de 70 variables météorologiques, dont la température, la pression, le vent et l’humidité, nous explique Mike Pritchard, director of climate simulation chez Nvidia. Sur les benchmarks standards, il surpasse les principaux modèles ouverts sur les variables de prévision les plus couramment utilisées par l’industrie.
Nouvel entrant également, Earth-2 Nowcasting, basé sur une architecture de modèle appelée StormScope, qui utilise l’IA générative pour produire en quelques minutes des prévisions à l’échelle d’un pays, avec une résolution kilométrique, sur des horizons de 0 à 6 heures. Les sources d’observation utilisées pour l’entraînement incluent des images infrarouges multispectrales issues de satellites géostationnaires, ainsi que des images visibles, disponibles à une résolution de l’ordre de la minute et du kilomètre.
Ce modèle concerne donc les tempêtes locales et les phénomènes météorologiques dangereux et s’adresse donc aux opérateurs de réseaux et aux équipes opérationnelles afin de prototyper des services de prévision des phénomènes météorologiques violents avec des mises à jour très rapides. Il s’agit par ailleurs du premier à dépasser les modèles météorologiques traditionnels fondés sur la physique pour la prévision à court terme des précipitations, en simulant directement la dynamique des tempêtes : il exploite l’IA pour prédire directement les images satellitaires et radar.
Enfin, dernier de ce trio, Earth-2 Global Data Assimilation qui est propulsé par une architecture appelée Heal DADA (pour Data Assimilation), un terme qui, dans la communauté météorologique, désigne le processus de production des conditions initiales nécessaires au lancement des prévisions météo. Il produit les conditions initiales nécessaires à la prévision météo, à savoir des instantanés lisses et continus de l’atmosphère actuelle, incluant la température, la vitesse du vent, l’humidité et la pression atmosphérique, sur des milliers de points à travers le globe, y compris dans des zones intermédiaires où les équipes ne disposent pas de mesures directes issues des satellites ou des ballons météorologiques, précise Mike Pritchard.
Ultime atout de ce modèle, Earth-2 Global Data Assimilation peut générer ces conditions initiales en quelques secondes sur GPU, contre plusieurs heures sur des supercalculateurs.
Une stack de modélisation de la Terre complète
Ces trois modèles rejoignent les modèles météo ouverts existants de la stack Earth-2, à savoir Earth-2 CorrDiff et Earth-2 FourCastNet3. Le premier utilise une architecture d’IA générative appelée CorrDiff pour effectuer une descente d’échelle (downscaling) de prévisions continentales à faible résolution vers des champs météorologiques régionaux à haute résolution — fournissant la granularité nécessaire aux prévisions locales, jusqu’à 500 fois plus rapidement que les méthodes traditionnelles.
Le second offre une précision élevée sur de nombreuses variables météorologiques (vent, température, humidité…), surpassant les principaux modèles d’ensemble conventionnels et rivalisant avec les meilleures méthodes basées sur la diffusion, tout en produisant des prévisions jusqu’à 60 fois plus rapides, promet Nvidia.
En complément, Earth-2 intègre également des modèles ouverts du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), de Microsoft et d’autres acteurs. En outre, les modèles Earth-2 peuvent être entraînés et affinés grâce à NVIDIA PhysicsNeMo, un framework Python open source dédié au développement de modèles IA-physique à grande échelle.
Une palette d’outils complète
Avec sa famille Earth-2, Nvidia propose une palette de modèles ouverts couvrant l’ensemble de la chaîne de prévision et les briques fondamentales nécessaires au développement de systèmes de prévision souverains à partir de données propriétaires.
Cela inclut des outils pour traiter des données d’observation hétérogènes, des outils pour construire, entraîner et personnaliser des modèles pour des applications spécifiques, ainsi que des kits pour diagnostiquer la précision et les performances des modèles. A cela s’ajoutent de la documentation, des ressources et des outils d’ingénierie des performances pour passer de la recherche à la production.
L’ensemble est licencié pour un usage commercial ou non commercial, et disponible en accès libre sur GitHub et Hugging Face.
AXA, agences météorologiques, S&P Global,… Focus sur de premières applications
Mike Pritchard nous explique par ailleurs qu’un certain nombre de partenaires exploitent déjà ces outils pour adapter et adopter les modèles Earth-2 dans des secteurs variés aux quatre coins du globe. Cela inclut des agences météorologiques nationales et des prévisionnistes, des assureurs, des sociétés de services financiers et des start-up du climat.
Par exemple, la Central Weather Administration de Taïwan utilise CorrDiff pour générer des prévisions très précises des points d’impact des typhons. L’île ayant été frappée par des centaines de typhons au cours des dernières décennies, il est crucial de comprendre où leurs impacts se produisent afin que les agences de réduction des risques de catastrophe puissent planifier et allouer les ressources au mieux.
Dans le secteur de l’assurance, Mike Pritchard donne l’exemple d’AXA qui a mené des travaux de recherche sur le risque cyclonique en exploitant le gain de vitesse de 1 000 fois offert par la prévision météo par IA, ce qui permet de générer des ensembles massifs de simulations. En faisant appel à l’intelligence artificielle, il est en effet possible de simuler des milliers de prévisions, puis échantillonner les événements rares, les plus destructeurs et les plus lourds de conséquences financières, et ainsi mieux planifier la gestion du risque.
Autre cas pris en exemple, celui de S&P Global. “Ils ont pris CorrDiff, initialement développé pour le downscaling et la production de prévisions à très haute résolution, et l’ont adapté à l’analyse du risque climatique afin de faire le lien entre des simulations climatiques imparfaites et les données observées”.
Parmi les autres utilisateurs figurent le fournisseur d’outils météo IA Brightband ; les services météorologiques Israel Meteorological Service, Central Weather Administration de Taïwan et The Weather Company ; des entreprises de prévision énergétique et d’exploitation de réseaux comme TotalEnergies, Eni, GCL et Southwest Power Pool en collaboration avec Hitachi ; des fournisseurs de solutions de trading énergétique comme Jua et Metdesk ; ainsi que des acteurs de l’évaluation des risques et de l’intelligence financière.
