evidoria

← Back to browse

Good practice

Premier système de prévision météorologique par IA en direct d'Asie du Sud-Est — DOST-PAGASA et ASTI (Philippines)

Philippines · Quezon City · See the Philippines profile

En octobre 2024, PAGASA et ASTI (Philippines) ont déployé avec la société américaine Atmo le premier système météo par IA en direct d'Asie du Sud-Est : temps de calcul réduit de 3 heures à 15 minutes, délai de prévision porté de 2 à 14 jours, résolution passée de 3 km à 2 km.

3 km to 2 km km
Amélioration de la résolution horizontale des prévisions (as of October 2024 deployment)
2 to 14 days
Allongement du délai de prévision (as of October 2024 deployment)
~3 hours to ~15 minutes time per forecast
Réduction du temps de calcul (exécution) des prévisions (as of October 2024 deployment)
Premier système de prévision météorologique par IA en direct d'Asie du Sud-Est — DOST-PAGASA et ASTI (Philippines)

Details

Maturity
Scaling
Promoter
DOST-PAGASA (Philippine Atmospheric, Geophysical and Astronomical Services Administration) and DOST-ASTI, with Atmo Inc.
Period
October 2024–present
Keywords
weather forecasting, disaster risk reduction, machine learning, meteorology, early warning systems

Context

L'Administration philippine des services atmosphériques, géophysiques et astronomiques (PAGASA) et l'Institut des sciences et technologies avancées du Département de la science et de la technologie (DOST-ASTI) ont signé un accord commercial avec la société américaine de météorologie par IA Atmo Inc. en octobre 2024, décrivant le résultat comme le premier système opérationnel de prévision météorologique par IA en Asie du Sud-Est, dans un pays confronté à environ 20 cyclones tropicaux par an.

Objectives

Le système visait à améliorer la résolution des prévisions, à allonger le délai de prévision et à réduire le temps de calcul, alimentant les systèmes plus larges d'alerte aux risques et aux impacts des Philippines, y compris les alertes précoces en cas d'inondation et de cyclone tropical.

Activities

Les modèles d'apprentissage automatique ont été entraînés sur des données d'imagerie satellite, de radar, de stations au sol et de capteurs environnementaux pour générer des prévisions haute résolution, intégrées aux outils nationaux d'alerte précoce. Une deuxième phase du partenariat a été signalée en 2026, indiquant une utilisation opérationnelle continue.

Results

Selon les partenaires, la résolution horizontale est passée de 3 km à 2 km, le délai de prévision est passé de 2 à 14 jours, et le temps de calcul nécessaire pour produire une prévision est passé d'environ 3 heures à environ 15 minutes.

Conclusions

Il s'agit de repères techniques rapportés par le fournisseur et les agences, et non d'une évaluation d'impact auditée de manière indépendante quant à la précision des prévisions par rapport aux résultats météorologiques observés.

Implementation

Indicative cost
Medium (€50k–€500k) — Commercial agreement with a private US AI-meteorology vendor (Atmo Inc.); no public cost figures found in source.
Time to results
Medium (1–3 years) — Deployed operationally from October 2024, with a second partnership iteration reported in 2026.
Staffing & skills
DOST-PAGASA (national weather agency) and DOST-ASTI (science/technology institute) as government partners, Atmo Inc. (US AI-meteorology firm) as commercial technology vendor

Conditions for success

  • Integration with existing satellite, radar, ground-station and environmental-sensor data feeds
  • Feeding AI forecasts into established national hazard and early-warning systems (flood, tropical cyclone)
  • Sustained multi-year commercial partnership, with a second iteration reported in 2026

Common failure modes

  • Reported performance figures originate from the vendor and implementing agencies rather than independent third-party verification against observed outcomes
  • Underlying proprietary ML model and validation methodology are not publicly disclosed

Where it fits

Governance type
national government science agencies with private vendor partnership
Scale
national
Income level
lower-middle-income (Philippines)

Data sources

Where this practice's information was retrieved from, and when.

Attachments

Similar practices you may find useful