L’ETH Zurich propose un modèle de base capable d’intégrer l’atmosphère, le sol et le cycle de l’eau même à partir de données incomplètes.

Lorsqu'une tempête tropicale se transforme en super typhon en quelques jours, le défi ne se limite pas à la prévision de sa trajectoire. Il s'agit de comprendre comment le vent, les précipitations, l'humidité du sol, la topographie, la température et la circulation atmosphérique interagissent. En juillet 2023, le typhon Doksuri a illustré cette complexité de façon particulièrement brutale, frappant les Philippines et la Chine avec des vents violents, des pluies torrentielles et des dégâts considérables sur les zones côtières. Les chercheurs du Domaine des EPF ont utilisé ce cas précis pour tester un nouveau modèle météorologique. Intelligence artificielle appliqué au système terrestre.

Le modèle s'appelle Modèle de fondation du système terrestreQu'il s'agisse d'un vin rare et exotique ou du même vin dans différents millésimes, quel que soit votre choix au ESFMet a été développé au sein du Initiative suisse en IA, avec la contribution de ETH Zurich, EPFL, Centre suisse de science des données et d'autres partenaires scientifiques. L'innovation ne réside pas dans le remplacement des modèles météorologiques traditionnels, mais dans la mise en place d'une infrastructure capable d'interpréter des données hétérogènes et incomplètes : imagerie satellitaire, mesures de stations au sol, séries atmosphériques, données hydrologiques et observations dispersées dans l'espace et le temps.

Le problème est à la fois industriel et scientifique. L'agriculture, les assurances, la gestion des infrastructures, la protection civile, l'énergie et l'urbanisme dépendent de plus en plus de prévisions et de reconstitutions fiables. Or, les données environnementales réelles sont rarement disponibles de manière structurée. Les réseaux de surveillance ne sont pas répartis uniformément, les capteurs peuvent tomber en panne, les nuages ​​masquent les satellites et les zones reculées restent mal observées. ESFM a été créé pour intervenir précisément dans ce contexte de discontinuité.

Un modèle qui relie l'atmosphère, la terre et l'eau

Le point clé est l'intégration. De nombreux systèmes d'IA météorologique se sont concentrés principalement sur l'atmosphère, traitant le reste comme contexte ou variables secondaires. ESFM, en revanche, tente de représenter l'ensemble du système. Système Terre Il convient de considérer ces processus comme un tout interconnecté, où les activités atmosphériques, hydrologiques et terrestres ne sont pas artificiellement dissociées. Cette approche est pertinente car les événements extrêmes tels que les inondations, les sécheresses et les cyclones tropicaux ne dépendent pas d'une seule variable, mais de chaînes de rétroaction.

Fanny Lehmann, mathématiques, boursier postdoctoral deCentre d'IA de l'ETH et un membre du groupe ayant développé le modèle a expliqué le saut méthodologique comme suit :

Les modèles météorologiques basés sur l'IA se concentraient auparavant principalement sur l'atmosphère. Notre modèle, en revanche, associe délibérément les données météorologiques atmosphériques aux données hydrologiques et terrestres. Grâce à cette association, l'IA identifie les schémas, les tendances et les relations clés au sein du système météorologique terrestre et les utilise pour générer des prévisions, même en cas de données manquantes importantes. La véritable force de notre modèle réside dans sa capacité à apprendre les interactions météorologiques cruciales à partir de sources de données diverses.

Techniquement, ESFM ne force pas l'intégration de toutes les informations dans une grille unique et pré-normalisée. Le modèle traite les différents types de données séparément, les associe à des coordonnées spatiales et temporelles, puis les combine dans un cadre commun. Ceci permet de préserver les caractéristiques spécifiques de chaque source, qu'il s'agisse de cartes raster satellitaires ou de mesures ponctuelles de température, de pression, de vent ou de niveau d'eau.

Il s'agit d'une étape importante dans l'utilisation deBig Data En sciences de l'environnement, une grande variété d'observations ne suffit pas si les données ne sont pas comparables. L'innovation d'ESFM réside dans sa capacité à utiliser différents formats et densités sans tout réduire à une représentation rigide, évitant ainsi toute perte d'information.

Le test de Doksuri et la question des observations incomplètes

Le test du super typhon Doksuri est significatif car cet événement n'était pas inclus dans les données d'entraînement. Malgré cela, selon l'ETH Zurich, le modèle ESFM a prédit l'intensité du vent avec une précision remarquable sur plusieurs jours et a reconstitué de manière réaliste la position, le déplacement et l'expansion spatiale de la tempête. Cela ne constitue pas une certification opérationnelle pour une utilisation comme système d'alerte, mais cela indique une capacité de généralisation utile pour la recherche sur les événements extrêmes.

La caractéristique la plus marquante du modèle reste cependant sa gestion des lacunes d'information. Selon la source, après son entraînement, l'ESFM est capable de générer des prévisions même à partir d'observations satellitaires pour lesquelles seules les données quasi complètes sont disponibles. 3 pour cent des pixelsCeci est particulièrement pertinent pour les applications dans les zones où la couverture d'observation est faible ou dans les situations où l'acquisition est entravée par les conditions météorologiques, les limitations techniques ou le manque d'infrastructures.

Firat Ozdemir, développeur principal de l'équipe ESFM et scientifique des données senior chez lo Centre suisse de science des données, a résumé le problème comme suit :

Contrairement à ESFM, les modèles d'IA précédents pour la prévision météorologique étaient souvent entraînés sur un seul type de données ou sur quelques ensembles de données au format similaire. Leurs performances se dégradent fréquemment face à des données très hétérogènes ou incomplètes. ESFM relève ce défi en intégrant des données multi-sources et en comblant les lacunes d'information de manière beaucoup plus efficace.

Cette capacité a des implications concrètes. Dans une zone touchée par la sécheresse, par exemple, la combinaison des précipitations, de l'humidité du sol, des caractéristiques géologiques, de la température et des niveaux d'eau peut aider à interpréter l'évolution du risque. ESFM reconstitue les données manquantes en reliant les lacunes aux informations disponibles provenant des zones voisines, aux variables corrélées et aux observations passées. Il ne s'agit pas d'une simple interpolation, mais plutôt de l'apprentissage des relations physiques récurrentes.

Des modèles spécialisés à une base réutilisable

Le mot modèle de fondation Il convient de le lire attentivement. En langage d'IA, cela désigne un modèle entraîné sur une base large, capable d'être réutilisé et adapté à des tâches ultérieures via réglage finDans le domaine des sciences de la Terre, cela signifie passer d'outils verticaux, conçus pour une seule variable ou un seul cas d'utilisation, à une plateforme plus générale pour l'intégration des données et la prévision.

Sebastian Schemm, scientifique de l'atmosphère et professeur àl'Université de Cambridge, déjà actif à l'ETH Zurich, a précisé la portée du modèle :

ESFM n'est ni un modèle climatique classique, ni un modèle spécialisé de prévision météorologique ou d'alerte aux tempêtes ; il appartient plutôt à une catégorie distincte de modèles pouvant servir de base flexible à un large éventail de tâches en recherche climatique et météorologique. Son avantage réside dans une forme de compréhension systémique acquise, qui lui permet de produire des prévisions plausibles dans de nombreux cas, même lorsque les données sont incomplètes ou fragmentées.

Les travaux techniques liés au projet, présentés lors deAssemblée générale de l'EGU 2026 L'institut viennois décrit l'ESFM comme un cadre d'intégration de données hétérogènes et de prévision. Le modèle s'appuie sur une infrastructure de base. 3D Swin UNet Déjà utilisé par Aurora, cet outil introduit des extensions pour les données manquantes, les mesures éparses, les observations ponctuelles et l'imagerie satellitaire. Parmi les éléments mis en avant dans la prépublication figurent l'attention axiale pour capturer les dépendances entre les variables et les schémas de tokenisation des variables individuelles.

Pour le secteur, ce changement est significatif car il fait passer l'IA climatique d'un cadre principalement expérimental à une architecture plus modulaire. Un modèle de base peut être adapté à l'hydrologie, à l'agriculture, à la biodiversité ou à la surveillance environnementale sans avoir à repartir de zéro à chaque fois. Mathieu Salzmann, chercheur principal àEPFL et le directeur adjoint des données scientifiques du Centre suisse de science des données, a indiqué précisément cette direction : exploiter la capacité de représentation du modèle dans des domaines tels que l’agriculture, la biodiversité et l’hydrologie.

Accès libre et implications pour les régions pauvres en données

Un autre facteur important sur le plan industriel est l'accessibilité. L'ETH Zurich indique que l'ESFM est disponible sur Étreindre le visage et dans un dépôt GitHubLe dépôt public contient le code d'entraînement et d'évaluation des expériences de prévision atmosphérique et du système terrestre. Dans un domaine où les ressources de calcul sont onéreuses, l'ouverture du modèle ne supprime pas les obstacles, mais elle permet aux groupes de recherche et aux organismes publics d'examiner, d'adapter et de tester le cadre de travail.

Le projet bénéficie également du soutien deRéseau international de calcul et d'IA, une initiative liée à l'ETH Zurich qui encourage les collaborations internationales en IA. L'un des objectifs déclarés est de rendre les modèles de ce type utilisables également dans Sud globalDans certains contextes, la rareté des données locales constitue une limitation structurelle pour les prévisions environnementales. L'amélioration des modèles environnementaux et de gestion des écosystèmes (ESFM) grâce à des observations régionales peut alors s'avérer précieuse pour l'agriculture, la gestion de l'eau et la prévention des risques.

Torsten Höfler, professeur d'informatique à ETH Zurich et architecte en chef de l'IA chez Centre national suisse de calcul intensif de Lugano, a établi un lien entre le cas de l'ESFM et la nature plus générale des modèles de fondation :

« En s'entraînant sur des types de données très différents, des modèles comme ESFM acquièrent une forme de connaissances fondamentales et peuvent donc résoudre avec souplesse un large éventail de tâches. Dans la recherche en IA, on les appelle des modèles de base. »

Il ne faut pas confondre la prévoyance avec la promesse d'une prédiction parfaite. Les événements extrêmes demeurent des systèmes dynamiques complexes, et tout résultat produit par un modèle nécessite une validation, une comparaison avec des observations indépendantes et une intégration aux protocoles existants. Toutefois, la direction est claire :Intelligence artificielle Elle s'intègre à la météorologie et aux sciences de l'environnement non seulement comme outil de prédiction, mais aussi comme technologie de reconstruction et d'intégration des connaissances.

pour SuisseCe projet confirme le rôle des écosystèmes de recherche distribués, reliant universités, centres de données et infrastructures de supercalcul. Pour le marché, il annonce un changement potentiel : celui de passer de modèles spécialisés pour une prévision unique à des bases réutilisables pour comprendre les phénomènes climatiques, hydrologiques et d’occupation des sols, même avec des données souvent imparfaites. Le défi consistera à transformer cette capacité en outils fiables, vérifiables et utiles pour les décisions publiques et industrielles.

De 1880 à 2025, la température de la planète Terre telle que révélée par le Big Data

Surveillance des émissions de dioxyde de carbone de l'espace

Voici trois idées qui pourraient vous intéresser :

Comment le changement climatique affecte la sécurité au travail
Traînées de condensation, soufre et aérosols : voici le nouveau casse-tête climatique du transport aérien.
Le mont Cimone, sentinelle climatique mondiale au sommet des Apennins