Le modèle, appelé "GenCast", est plus performant que les prévisions climatiques traditionnelles à moyen terme et est également capable de mieux prévoir les conditions météorologiques extrêmes, les trajectoires des cyclones tropicaux et la production d'énergie éolienne.

Les détails du modèle ont été communiqués dans un article publié dans la revue Nature, selon l'agence Efe.

Il est essentiel de disposer de prévisions météorologiques précises pour que les personnes, les gouvernements et les organisations puissent prendre des décisions essentielles dans leur vie quotidienne, qu'il s'agisse de porter un parapluie, d'évaluer la production d'énergie éolienne ou de prévoir des conditions météorologiques extrêmes pour éviter les catastrophes.

Les prévisions météorologiques traditionnelles reposent sur des méthodes numériques, qui évaluent le temps actuel et le transforment en prévisions météorologiques futures (prévisions déterministes), mais cela génère de nombreux scénarios potentiels, qui sont combinés pour produire une prévision météorologique.

Aujourd'hui, une équipe de scientifiques de Google a mis au point une méthode d'apprentissage automatique des prévisions météorologiques appelée GenCast, qui est capable de générer des prévisions probabilistes, c'est-à-dire de prédire la probabilité des conditions météorologiques futures en fonction des conditions météorologiques actuelles et passées.

Les auteurs ont entraîné GenCast à partir de 40 années (1979 à 2018) d'analyse de données des meilleures estimations des événements climatiques.

Grâce à cet entraînement, le modèle est capable de générer des prévisions globales pour 15 jours, pour plus de 80 variables atmosphériques et de surface, en huit minutes.

Comparé à la suite de prévisions du Centre européen pour les prévisions météorologiques à moyen terme (ENS), qui est actuellement le modèle de prévision à moyen terme le plus performant au monde, GenCast a surpassé ENS dans 97,2 % des 1 320 cibles utilisées.

GenCast est également plus efficace pour prévoir les conditions météorologiques extrêmes, les trajectoires des cyclones tropicaux et la production d'énergie éolienne.

Les auteurs affirment que GenCast peut générer des prévisions météorologiques plus efficaces et plus performantes pour soutenir une planification efficace.