3 min de lectureDonnées et IA

Jumeau météo hybride : associer modèles physiques et apprentissage automatique

En mai 2022, TempoQuest décrivait un Hybrid Weather Twin (« jumeau météo hybride ») : des modèles météorologiques physiques associés à l'apprentissage automatique. Les points forts de chaque type de modèle, et où cette association est utilisée aujourd'hui.

La Terre vue depuis l'orbite, partagée en deux : la moitié gauche dessinée en données de modèle lumineuses, vertes et bleues, avec des isolignes blanches ; la moitié droite en imagerie satellite réelle, avec des nuages au-dessus des terres et de la mer.

Première publication le 11 mai 2022 · Mis à jour le 16 novembre 2026

Un responsable data science qui a besoin de prévisions météo a désormais le choix entre deux types de modèle. Les modèles physiques résolvent les équations de l'atmosphère et demandent beaucoup de calcul. Les modèles d'apprentissage automatique produisent une prévision rapidement une fois entraînés, mais ils ne savent que ce que leurs données d'entraînement leur ont appris. La plupart des équipes finissent par avoir besoin des deux. En mai 2022, TempoQuest a décrit un concept qu'elle appelait Hybrid Weather Twin (« jumeau météo hybride »), qui associe modèles physiques et apprentissage automatique. Cet article revient sur cette idée : ce qui était proposé, les points forts de chaque type de modèle, et où cette association est réellement utilisée aujourd'hui.

Ce que proposait le concept de 2022

Un jumeau numérique est une réplique numérique d'un système physique, tenue à jour grâce à des mesures du système réel. L'article de 2022 appliquait ce terme à la météo. Son jumeau hybride associait un modèle de prévision physique à des modèles fondés sur les données, entraînés sur des observations.

Le concept plaçait l'apprentissage automatique à trois endroits de la chaîne de prévision :

  1. Avant le modèle, pour sélectionner et préparer les observations.
  2. Dans le modèle, pour remplacer les calculs physiques les plus coûteux.
  3. Après le modèle, pour repérer des régularités et des valeurs aberrantes dans les sorties et pour corriger le biais local.

Il employait aussi le mot « hybride » pour l'infrastructure : CPU et GPU, cloud et sur site, données publiques et privées. Le schéma ci-dessous est tiré de cet article.

Schéma en couches du concept Hybrid Weather Twin de 2022. De bas en haut : infrastructure hybride (CPU et GPU), déploiement hybride (cloud et sur site), sources de données, transformation et assimilation des données, modèles hybrides associant un modèle physique WRF à des modèles d'apprentissage automatique, post-traitement, puis sorties sous forme d'API, de visualisations et de rapports.

Le Hybrid Weather Twin était un concept, pas un produit.

Les points forts de chaque type de modèle

Les modèles physiques partent des lois du mouvement et de la thermodynamique. Leurs points forts :

  • Ils peuvent simuler une situation qui n'a jamais été observée, car ils ne dépendent pas d'exemples passés.
  • Leurs sorties sont complètes et physiquement cohérentes : chaque variable dans chaque maille.
  • Leur comportement peut être rattaché à une cause, ce qui compte quand une prévision est contestée.

Leur coût, c'est le calcul, et les grilles fines en demandent beaucoup.

Les modèles d'apprentissage automatique apprennent des régularités à partir de données historiques. Leurs points forts :

  • Une fois entraînés, ils produisent une prévision rapidement.
  • Ils peuvent apprendre les particularités locales d'un site qui échappent à un modèle physique, par exemple un biais constant sur un mât donné.

Leur limite, ce sont les données d'entraînement. Un modèle entraîné sur des séries grossières ou courtes ne peut pas produire un détail ou des extrêmes qu'il n'a jamais vus.

C'est pourquoi les deux approches se complètent. Le modèle physique peut produire les données détaillées et cohérentes dont le modèle d'apprentissage a besoin. Le modèle d'apprentissage peut corriger le modèle physique à l'aide des observations.

Où cette association est utilisée aujourd'hui

Voici trois exemples actuels.

Des sorties de modèle physique comme données d'entraînement d'IA

Le détail d'une grille fine ne prouve pas la qualité d'une prévision. Voyez comment évaluer une prévision, y compris une comparaison historique limitée avec des observations lidar.

La leçon pour tout système hybride tient dans ces deux constats. La combinaison a battu la référence là où la simulation à maille fine seule n'y parvenait pas, et seule l'évaluation par rapport aux observations l'a montré.

La vérification comme arbitre

Toute combinaison a besoin d'un arbitre. La vérification classique évalue une prévision par rapport à des stations, des lidars ou des radars, à l'aide de mesures telles que le biais, l'erreur absolue moyenne et la racine de l'erreur quadratique moyenne. Par ailleurs, TempoQuest développe un outil de vérification des prévisions (Forecast Verification Tool), conçu pour améliorer la vérification des prévisions météo.

Les questions à trancher avant d'en construire un

  • Par rapport à quoi évaluerez-vous ? Choisissez d'abord les observations et la mesure d'erreur. Sans elles, vous ne pouvez pas savoir si une combinaison apporte quelque chose.
  • Les données d'entraînement sont-elles assez fines ? La résolution et la cadence du jeu d'entraînement plafonnent ce que le modèle entraîné peut montrer.
  • Que se passe-t-il en dehors de la plage d'entraînement ? Prévoyez l'événement record. Gardez une prévision physique dans la boucle pour les conditions que le modèle entraîné n'a pas vues.
  • Qui exécute le modèle physique ? Vous pouvez exécuter WRF vous-même sur GPU avec AceCAST, ou vous faire livrer les données selon vos spécifications.

Que faire ensuite

Demandez des données sur mesure, ou découvrez AceCAST.

Votre prévision

Vous avez votre propre question de prévision ?

Dites-nous à quelle décision elle doit servir. Un court formulaire suffit pour joindre l'équipe, et nous examinons chaque demande.