D’ici quelques semaines, les prévisions météo d’Environnement Canada bénéficieront d’un gain soudain de précision équivalent à une décennie d’améliorations incrémentales de ses modèles classiques. Comment ? Grâce à l’introduction de l’intelligence artificielle (IA).

L’arrivée de l’IA au sein du service canadien témoigne d’une vague de fond qui déferle partout sur la planète météo. Depuis 2024, ces outils de statistique avancée rattrapent les modèles classiques, basés sur la physique. Et leurs calculs sont, dans certains cas, mille fois plus rapides.

L’émergence de ces modèles, encore imparfaits, bouscule ce qui était jusqu’à présent la chasse gardée des grandes agences gouvernementales pourvues de superordinateurs. Avec Google, Microsoft et Nvidia, le secteur privé s’est lancé dans la prévision météo.

Pour demeurer à la pointe, Environnement Canada s’apprête donc à adopter un modèle « hybride » qui combine l’architecture traditionnelle et l’IA. « Avec cette approche, on a le meilleur des deux mondes », explique Stéphane Beauregard, un responsable de ce chantier au ministère.

Le modèle d’IA a été « entraîné » grâce à une reconstruction des variables météorologiques (température, pression, humidité, etc.) des 50 dernières années. Cette reconstruction, ou « réanalyse », est fondée sur d’innombrables observations prélevées par des satellites, des ballons-sondes et des capteurs au sol ou en mer.

Contrairement aux modèles traditionnels, qui calculent la météo des prochains jours en résolvant les équations de la physique atmosphérique, les modèles d’IA n’encodent pas les lois de la nature. Ils arrivent néanmoins à prévoir la pluie et le beau temps en extrapolant les relations qu’ils ont distillées à partir des données historiques.

M. Beauregard explique que le modèle d’IA d’Environnement Canada se distingue par sa capacité à anticiper beaucoup plus tôt les systèmes météorologiques majeurs, comme les tempêtes de neige. Il est toutefois moins efficace pour détailler ses prévisions à une échelle fine. Et il ne donne pas certaines variables, comme la pluie verglaçante.

La solution ? Le modèle hybride repose sur l’IA pour les grandes échelles (2500 km et plus), mais utilise le modèle physique pour calculer les détails. Selon Environnement Canada, ses prévisions sur six jours seront aussi précises que celles obtenues aujourd’hui sur un horizon de cinq jours.

Dans le dernier demi-siècle, les modèles traditionnels ont gagné environ une journée de précision tous les dix ans.

Un échec des sciences naturelles ?

En Europe, le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) offre des prévisions fondées sur l’IA depuis février 2025. Plusieurs indicateurs de performance ont connu une amélioration de 20 % par rapport au modèle classique. Pour faire ses calculs, le modèle d’IA consomme jusqu’à mille fois moins d’énergie. Les météorologues peuvent se référer aux deux outils pour élaborer leurs prévisions.

Aux États-Unis, la National Oceanic and Atmospheric Administration (NOAA) a lancé, en décembre 2025, un nouveau modèle météorologique fondé sur l’IA. L’outil utilise 99,7 % moins de ressources de calcul que son équivalent traditionnel. Adjoint au modèle classique, il permet d’allonger la portée des prévisions de 18 à 24 heures.

Personne ne sait si les modèles d’IA vont un jour entièrement remplacer les modèles physiques. Chose certaine, les faiblesses de l’IA dans les fines échelles spatiales n’ont rien d’un obstacle insurmontable. Est-ce dire que les sciences naturelles connaissent un échec face à une calculatrice qui n’a pas la moindre notion des lois de la physique ?

« Je dirais plutôt que c’est un succès de la science interdisciplinaire, parce que tous les progrès de l’IA seraient impossibles sans la contribution des sciences de la Terre », répond Alex Hernández-García, un membre de Mila, l’Institut québécois d’intelligence artificielle, qui s’intéresse à l’IA dans les modèles climatiques.

Nvidia saute dans l’arène

Sans surprise, Google et Microsoft ont chacune développé ces dernières années leur modèle météo carburant à l’IA, respectivement nommés GenGraph (2023) et Aurora (2025). L’architecture du modèle de Google est d’ailleurs disponible en source libre, et c’est sur ce code informatique qu’Environnement Canada a bâti son propre modèle.

« On l’a réentraîné complètement à partir de zéro avec des données de réanalyse et issues de nos modèles, explique M. Beauregard. Et on arrive à de meilleurs résultats que le modèle GraphCast [de Google]. » Avant d’aboutir dans les bulletins météo officiels, les résultats des modèles sont toujours interprétés par des météorologues.

Malgré cette belle performance, la compétition est féroce, et l’obsolescence guette.

En janvier 2026, le concepteur de puces électroniques Nvidia présentait une « famille » de modèles météo fondés sur l’IA. Ces modèles préalablement entraînés sont disponibles en code source libre. L’un d’eux propose des prévisions à très haute résolution, ce qui représente une avancée majeure. Israël et Taïwan ont déjà adopté ces modèles.

Entraîner les modèles avec les données historiques demande beaucoup de puissance de calcul. Mais une fois cette étape terminée, il est possible de pondre des prévisions météo avec un seul ordinateur. Évidemment, il faut initialiser le système avec les conditions météo actuelles, mesurées par les agences gouvernementales.

Une jeune pousse californienne, WindBorne, commence toutefois à réaliser ses propres observations. Elle lance des ballons-sondes de longue portée afin d’alimenter son modèle météo. En juillet 2025, elle disait relâcher 300 ballons par mois à partir de dix sites dans le monde. Son objectif : « bâtir un système nerveux planétaire » avec, un jour, 10 000 ballons en vol dans le ciel.

Le défi du climat qui change

Dans l’immédiat, pour rehausser la qualité des prévisions météo générées par l’IA, il faudra imposer des « restrictions basées sur la physique », croit M. Hernández-García. Ces garde-fous permettront d’éviter que les inférences statistiques des modèles s’écartent de la réalité. On peut argumenter que cela consiste, en quelque sorte, à enseigner les sciences à l’IA…

De telles balises pourraient aider les modèles d’IA à relever un défi délicat : prévoir les événements météorologiques extrêmes — et inédits — rendus possibles par les changements climatiques. Cela s’annonce difficile, puisque leurs prévisions sont fondées sur les données historiques. « Pour cette raison, les modèles physiques demeurent très importants », souligne M. Hernández-García.