Prévoir une pluie exceptionnelle et estimer les tendances à plusieurs semaines posent deux problèmes différents. Des travaux publiés en octobre 2026 montrent comment l’apprentissage automatique peut progresser sur chacun, avec des limites précises.
Dubaï : reconnaître ailleurs un événement rare ici
Une étude présentée par l’université de Chicago le 7 octobre examine les pluies d’avril 2024 à Dubaï. Ces pluies atteignaient le double du maximum régional contenu dans les données d’entraînement.
Dans cette évaluation rétrospective, GraphCast et AIFS ont correctement prévu l’événement jusqu’à huit jours à l’avance. FuXi l’a également prévu, mais en sous-estimant les précipitations. Le résultat ne concerne donc pas indistinctement tous les modèles.
Les analyses des chercheurs suggèrent un mécanisme de translocation : utiliser des événements comparables, voire plus forts, rencontrés dans d’autres régions pendant l’apprentissage.
La limite est décisive : les auteurs ne trouvent pas de preuve d’une capacité à déduire les extrêmes à partir d’événements plus faibles. Les événements situés aux extrémités de la distribution mondiale restent mal prévus. Réussir sur un extrême régional ne démontre pas une fiabilité universelle.
À plusieurs semaines : corriger les probabilités
L’étude publiée dans Nature le 14 octobre porte sur la prévision sous-saisonnière, entre deux et six semaines. Sa méthode, appelée PBC, apprend à corriger les erreurs systématiques des prévisions existantes.
L’évaluation mesure notamment les températures moyennes, les précipitations cumulées et la pression, aux échéances des jours 19 à 25 et 26 à 32. Elle compare des distributions de probabilités à une référence climatologique.
Les auteurs rapportent un doublement du score de compétence sous-saisonnière d’AIFS-SUBS, initialement modeste. Cela ne signifie pas deux fois moins d’erreurs pour toute prévision, ni la connaissance du temps qu’il fera à une adresse donnée dans six semaines.
PBC améliore des modèles existants : il ne les remplace pas. Le gain mesuré concerne des variables, des périodes et un protocole définis.
Une application encore à distinguer d’un déploiement
Le MIT indique le 14 octobre que le service météorologique kényan a pris contact pour envisager l’utilisation de la méthode. Ce contact ne prouve pas son déploiement opérationnel.
Ces travaux ouvrent des possibilités pour anticiper certains risques. Ils demandent surtout de lire ensemble le résultat, son échelle et l’incertitude qu’il conserve.
*Illustration d’archives : mont Rainier, 2011. Steve Redman / National Park Service, via Wikimedia Commons, domaine public.*
