Les modèles traditionnels de prévision numérique du temps et les nouveaux modèles d'intelligence artificielle à grande échelle jouent un rôle clé dans la proposition d'itinéraires quotidiens et l'émission d'alertes météorologiques extrêmes ; cependant, ils sont depuis longtemps entravés par des biais systématiques qui affectent gravement la précision des prévisions. Pour résoudre ce défi sectoriel, des chercheurs de l'université Tsinghua ont récemment développé un algorithme d'IA basé sur la corrélation spatio-temporelle, spécifiquement conçu pour corriger les biais des variables atmosphériques et océaniques. Le cœur de cette technologie réside dans une analyse approfondie des modes de corrélation temporels et spatiaux des données météorologiques afin d'identifier avec précision et d'éliminer les erreurs systématiques dans les prédictions. Contrairement aux méthodes traditionnelles qui s'appuient sur des équations physiques complexes, cette nouvelle approche permet une adaptation plus flexible aux caractéristiques environnementales changeantes et complexes. Les études montrent que les résultats des prévisions après application de cet algorithme présentent une concordance nettement améliorée avec la réalité en matière d'indicateurs clés tels que la température et les précipitations, comblant efficacement les lacunes des modèles existants dans le domaine des prévisions à long terme. Cette percée devrait non seulement améliorer l'opportunité et la précision des alertes météorologiques extrêmes, offrant ainsi des données fiables pour la prévention et la réduction des catastrophes, mais aussi ouvrir de nouvelles voies pour une intégration profonde de l'intelligence artificielle dans le domaine des sciences météorologiques. À mesure que la technologie se maturera et sera déployée davantage, le public bénéficiera de services de prévision météo plus précis, tandis que les secteurs concernés réduiront leurs pertes économiques liées aux erreurs de prédiction des catastrophes.