evidoria

← Retour à la liste

Bonne pratique Importée

AIFS de l'ECMWF — l'agence météorologique européenne intègre un modèle d'IA à la prévision opérationnelle quotidienne

Royaume-Uni · Reading · Voir le profil de Royaume-Uni · Voir le profil de Reading

Preuves: Observationnel / avant-après Top 14% 80/100 · Demandez à Evidence Copilot à propos de cette pratique

L'ECMWF a rendu opérationnel son modèle météorologique d'apprentissage automatique AIFS en février 2025, suivi d'une version probabiliste en juillet — réduisant les besoins de calcul d'environ 1000x par rapport aux modèles physiques, tout en les égalant ou les dépassant sur plusieurs mesures, dont les trajectoires des cyclones tropicaux.

up to 20%
Amélioration de la précision de la trajectoire des cyclones tropicaux par rapport au modèle fondé sur la physique
~9%
Puissance de calcul requise par un modèle d'ensemble IA comparable par rapport à son prédécesseur fondé sur la physique (NOAA AIGEFS)
AIFS de l'ECMWF — l'agence météorologique européenne intègre un modèle d'IA à la prévision opérationnelle quotidienne

Détails

Maturité
En expansion
Promoteur
European Centre for Medium-Range Weather Forecasts (ECMWF)
Période
2025–2026
Mots-clés
meteorology, weather forecasting, disaster risk reduction, public safety

Contexte

Le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT/ECMWF), l'organisme intergouvernemental qui exploite le principal système mondial de prévision météorologique à moyen terme pour 35 États membres et coopérants, a mis son système de prévision par intelligence artificielle (AIFS) en pleine exploitation opérationnelle en février 2025, une version d'ensemble probabiliste suivant en juillet 2025.

Objectifs

L'AIFS vise à produire des prévisions météorologiques mondiales d'une qualité comparable ou supérieure à celle du système physique du ECMWF (Integrated Forecasting System, IFS), tout en réduisant la puissance de calcul nécessaire, fonctionnant en parallèle avec — et non à la place de — le système fondé sur la physique.

Activités

L'AIFS est un modèle d'apprentissage profond entraîné sur des décennies de données de réanalyse propres à l'ECMWF. Une fois entraîné, il produit une prévision mondiale à 10 jours dans une fraction du temps et de la puissance de calcul requis par le système physique IFS.

Résultats

Sur des scores de vérification indépendants, l'AIFS égale ou surpasse les prévisions fondées sur la physique sur de nombreuses mesures, avec des gains allant jusqu'à 20 % sur la précision de la trajectoire des cyclones tropicaux — un résultat confirmé par la vérification publiée par l'ECMWF lui-même et couvert de façon indépendante par Communications of the ACM. Le modèle d'ensemble IA comparable de la NOAA, AIGEFS, ne nécessite qu'environ 9 % de la puissance de calcul de son prédécesseur fondé sur la physique. La propre suite opérationnelle IA de la NOAA a suivi en janvier 2026, une première donnée sur la réplication de l'approche entre agences.

Conclusions

L'ECMWF continue de faire fonctionner l'AIFS en parallèle du système physique IFS, et non à sa place, et les prévisionnistes avertissent que les modèles d'IA entraînés sur des tendances météorologiques historiques sont moins éprouvés pour des événements extrêmes véritablement sans précédent.

Mise en œuvre
Coût indicatif
Élevé (500 k€–5 M€)
Délai jusqu’aux résultats
Moyen (1–3 ans)
Personnel et compétences
ECMWF scientific and modelling teams, coordination with WMO and member/cooperating state meteorological agencies

Conditions de réussite

  • Decades of historical reanalysis data available for training
  • Existing physics-based forecasting system retained in parallel as a safeguard for unprecedented events
  • Independent verification and publication of comparative skill scores

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles