L'intelligence artificielle transforme la prévision météorologique en réduisant de plusieurs heures à quelques minutes le temps de calcul nécessaire pour générer des prévisions globales. Cependant, une nouvelle étude publiée dans le Journal of Geophysical Research: Atmospheres met en lumière des limites physiques critiques de ces outils dans la modélisation des cyclones tropicaux. Des chercheurs de l'Université de Rice ont évalué deux modèles phares, Pangu-Weather et Aurora, pour déterminer si les tempêtes générées par IA se comportent de manière réaliste. Bien que ces systèmes entraînés sur d'immenses ensembles de données historiques soient extrêmement rapides, leur nature statistique pose des défis d'interprétabilité. Contrairement aux modèles physiques traditionnels qui résolvent des équations complexes, les modèles d'apprentissage automatique identifient des relations statistiques, ce qui rend difficile la compréhension de leurs mécanismes internes. Pour tester leur fiabilité, l'équipe de l'Université de Rice a simulé environ 200 cyclones dans les bassins de l'Atlantique Nord et du Pacifique Nord-Ouest entre 2020 et 2025, en dehors de leurs périodes d'entraînement. Ils ont comparé ces simulations aux données de réanalyse ERA5. Les résultats montrent que l'IA excelle dans la prévision de la trajectoire des tempêtes. Les modèles ont reproduit avec une grande cohérence les itinéraires des cyclones et leurs zones d'atterrissage, une capacité rassurante pour les décisions d'évacuation et les alertes précoces. En revanche, la prévision de l'intensité reste inégale. Si le modèle Aurora a mieux suivi les distributions d'intensité observées, Pangu-Weather présente des biais plus importants pour les cyclones les plus violents. Il est important de noter que les données de référence ERA5 sous-estiment elles-mêmes l'intensité maximale, ce qui complique l'évaluation de la précision absolue des modèles d'IA. La limitation la plus significative concerne la structure physique interne des vents simulés. Bien que certaines visualisations puissent paraître convaincantes, une analyse approfondie révèle que les champs de vents ne respectent pas toujours les contraintes physiques établies. Les tests d'équilibre du vent de gradient, fondamentaux pour les cyclones matures, ont montré des écarts notables, particulièrement au centre des tempêtes. De plus, les deux modèles ont tendance à surestimer la taille du cœur interne, surtout pour les systèmes les plus puissants. Cette distorsion structurelle est cruciale car l'impact d'une tempête dépend de l'organisation des vents, ce qui influence directement les prévisions de dégâts, de précipitations et d'ondes de tempête. Les chercheurs insistent sur le fait que ces outils ne sont pas auto-validants et ne doivent en aucun cas remplacer l'expertise humaine. L'IA doit être utilisée en complément des connaissances des scientifiques de l'atmosphère pour corriger les biais systématiques et assurer la cohérence physique des prévisions. Comme l'explique Avantika Gori, l'une des auteures principales, l'avancement responsable de ces technologies nécessite une collaboration étroite et continue entre développeurs d'IA et experts météorologiques pour garantir que les sorties des modèles restent physiquement significatives et sûres pour la gestion des risques naturels.