L'IA affine les prévisions météo et la qualité de l'air

Les chercheurs développent une méthode novatrice pour affiner les prévisions météorologiques et la qualité de l'air en intégrant directement les données satellites dans les modèles atmosphériques. Cette avancée, publiée dans le Journal of Advances in Modeling Earth Systems, s'attaque à un problème de taille depuis des années : la modélisation précise des aérosols. Ces particules microscopiques en suspension, qu'elles soient naturelles comme les pollens ou les poussières désertiques, ou d'origine industrielle et automobile, influencent considérablement la santé humaine, la visibilité et les équilibres climatiques. En agissant comme des noyaux de condensation pour former les nuages et en modulant le rayonnement solaire, elles jouent un rôle central dans la dynamique des systèmes météorologiques. Jusqu'à présent, les simulations se heurtaient à une limite technique majeure. L'intégration directe des mesures satellites, qui analysent la lumière visible et infrarouge renvoyée par les aérosols, exigeait une puissance de calcul trop importante pour une utilisation opérationnelle. Les modèles s'appuyaient donc sur des données prétraitées, un compromis qui dégradait significativement la précision des prévisions. Pour résoudre ce problème, une équipe de recherche, menée par le scientifique Zhang, a conçu un processus computationnellement efficace. L'innovation repose sur un module d'intelligence artificielle préentraîné sur un vaste ensemble de données. Ce système analyse rapidement comment les signaux satellitaires sont altérés par la combinaison des aérosols et de la réflexion du sol terrestre, permettant d'injecter les observations brutes directement dans les simulations sans surcharger les serveurs. Lors des tests réalisés sur les données atmosphériques de la Chine, la nouvelle approche a réduit les erreurs de prévision d'environ cinquante pour cent par rapport aux méthodes classiques. Ces résultats confirment la viabilité de cette technique pour enrichir les modèles climatiques avec des données d'observation en temps réel, sans nécessiter d'infrastructures informatiques massives. En améliorant la compréhension de la dispersion et des effets des aérosols, cette méthode ouvre la voie à des prévisions météorologiques plus fiables et à une surveillance environnementale plus précise. Les chercheurs estiment que ce cadre computationnel pourrait être adaptable à d'autres régions et à des modèles différents, représentant un pas concret vers une météorologie numérique plus exacte et plus réactive face aux variations atmosphériques.