NOAA AIGFS

De GraphCast à l'AIGFS

En décembre 2022, Google DeepMind a décrit GraphCast, un réseau de neurones entraîné sur ERA5, la réanalyse du temps passé de l'ECMWF, qui produit une prévision mondiale à 10 jours à 0,25 ° en moins d'une minute sur un seul processeur Google TPU v4. Publié dans Science en novembre 2023, il a battu la prévision physique à haute résolution de l'ECMWF sur 90 % de 1 380 cibles de vérification. Mais il avait appris sur les données de l'ECMWF et prenait les données de l'ECMWF comme état de départ, si bien que la question ouverte pour les autres centres était de savoir s'il fonctionnerait à partir de leurs propres analyses.

L'Environmental Modeling Center (EMC) de la NOAA s'est attaché à y répondre. Des runs expérimentaux de GraphCastGFS, GraphCast parti de l'analyse propre de la NOAA, ont été publiés dès le 5 février 2024. L'EMC a ensuite affiné GraphCast sur les analyses du Global Data Assimilation System (GDAS) de la NOAA : dans son rapport de mars 2025, le modèle affiné avait des erreurs plus grandes que le GFS les deux premiers jours, mais plus faibles au-delà sur le vent, la hauteur à 500 hPa et les précipitations, environ 10 % de moins sur la hauteur à 500 hPa au jour 10, et de meilleures trajectoires de cyclones tropicaux, mais de moins bonnes intensités de cyclones. Les runs en temps réel se sont poursuivis dans le cadre du Project EAGLE, un effort commun du National Weather Service, des laboratoires de recherche de la NOAA, de l'EMC et de l'Earth Prediction Innovation Center, rejoints par un ensemble expérimental en avril 2025.

AIGFS v1.0 est devenue opérationnelle le 17 décembre 2025, avec le run de 12 UTC, en même temps que deux ensembles, AIGEFS et HGEFS. La NOAA a annoncé de meilleures performances que le GFS pour de nombreux phénomènes de grande échelle et des erreurs de trajectoire des cyclones tropicaux plus faibles aux échéances longues, et a prévenu que la v1.0 dégradait les prévisions d'intensité des cyclones. Les prévisions expérimentales EAGLE qu'elle remplaçait se sont arrêtées les 17 et 18 décembre, tandis que les runs expérimentaux plus anciens de GraphCastGFS ont continué jusqu'à celui de 00 UTC le 5 mai 2026, leur dernier dans l'archive cloud de la NOAA.

AIGFS v1.1 est entrée en service le 27 juillet 2026, là encore avec le run de 12 UTC. Son réseau est noté autrement pendant l'entraînement : par une fonction de perte en harmoniques sphériques, calculée sur les motifs de chaque champ échelle par échelle plutôt que point par point, et sur la vitesse et la direction du vent au lieu des composantes est-ouest et nord-sud ; il a été affiné sur quatre années d'analyses du GDAS, et entraîné sur des prévisions enchaînées jusqu'à 72 heures. Le National Weather Service indique que ces changements améliorent les prévisions d'intensité des cyclones tropicaux et de précipitations, et réduisent le flou des prévisions aux échéances longues.

Un réseau qui a appris l'atmosphère

L'AIGFS ne résout aucune équation. Comme le GraphCast dont il est issu, il a appris, sur des états passés de l'atmosphère, comment un état devient le suivant six heures plus tard. À partir de l'état actuel et de celui d'il y a six heures, il prédit l'état six heures plus loin ; puis il réinjecte sa propre prévision et recommence, 64 fois pour atteindre 16 jours. Cet enchaînement s'appelle l'autorégression, et toute erreur commise tôt se reporte sur les pas suivants.

Le réseau a trois parties. Un encodeur, une seule couche de réseau de neurones sur graphe, rassemble les 1 038 240 points de la grille de 0,25 ° sur un maillage caché construit en divisant six fois les faces d'un icosaèdre, jusqu'à 40 962 nœuds régulièrement espacés. Un processeur de 16 couches sur graphe fait passer des messages le long des arêtes de ce maillage, des courtes pour le temps local et des longues pour les influences lointaines. Un décodeur ramène le résultat sur la grille en latitude-longitude, sous forme d'un changement par rapport au dernier état. Au total, le réseau compte 36,7 millions de paramètres.

Ce qui entre et sort est une image compacte de l'atmosphère : vent, température, hauteur géopotentielle, humidité spécifique et vitesse verticale sur 13 niveaux de pression de 1000 à 50 hPa, plus des champs de surface : le vent à 10 m, la température à 2 m, la pression au niveau de la mer et les précipitations. Il n'y a aucun champ de rafales, de vagues ni de nuages.

GraphCast a été entraîné par Google DeepMind sur ERA5 de 1979 à 2017, puis sa version à 13 niveaux a été affinée sur les analyses opérationnelles de l'ECMWF de 2016 à 2021. Les NCEP sont partis de cette version et l'ont affinée sur leurs propres analyses du GDAS, pour qu'elle apprenne les particularités de l'état de départ qu'elle reçoit chaque jour. GraphCast était noté sur une erreur quadratique moyenne, et ce choix explique son principal défaut : quand il hésite, l'erreur est la plus faible s'il prédit la moyenne des issues possibles, si bien que ses champs se lissent avec l'échéance. Les changements de la v1.1 visent à réduire ce flou.

Quatre runs par jour, pour une fraction du coût du GFS

L'AIGFS ne lit pas lui-même d'observations. Chaque run part de l'analyse de la NOAA fondée sur le GFS, produite par son Global Data Assimilation System (GDAS), qui combine les observations des satellites, des avions, des radiosondages et des stations de surface en la meilleure estimation de l'état présent de l'atmosphère. L'AIGFS dépend donc entièrement du système physique et de son réseau d'observations pour son point de départ.

La prévision elle-même est peu coûteuse : selon la NOAA, une prévision à 16 jours prend environ 40 minutes et utilise 0,3 % des ressources de calcul du GFS opérationnel. Les runs partent à 00, 06, 12 et 18 UTC et produisent un état toutes les 6 heures, de l'analyse à 384 heures, 16 jours à l'avance.

La sortie est publiée en GRIB2 sur la grille de 0,25 ° sur NOMADS, le serveur de diffusion des modèles de la NOAA, en deux fichiers par pas : l'un sur les niveaux de pression et l'autre en surface, avec le vent à 10 m, la température à 2 m, la pression au niveau de la mer et les précipitations. Depuis avril 2026, les runs sont aussi copiés, quelques heures plus tard, dans l'archive de données ouvertes de la NOAA sur Amazon Web Services, qui contient aussi les versions expérimentales de développement. Comme information produite par le gouvernement américain, elle est du domaine public.

Ses frères AIGEFS et HGEFS, mis en service le même jour, traitent l'incertitude. AIGEFS produit 31 prévisions par apprentissage automatique jusqu'à 16 jours ; HGEFS les combine avec les 31 membres du GEFS physique en un ensemble de 62 membres jusqu'à 10 jours, que la NOAA présente comme le premier ensemble hybride, physique et apprentissage automatique, exploité en opérationnel par un centre météorologique. Saily WR utilise l'AIGFS, pas les ensembles.

Le lire en mer

Là où l'AIGFS excelle, c'est l'image à grande échelle plusieurs jours à l'avance : où seront les dépressions et les anticyclones, quand un front arrivera, de quel côté partira un cyclone tropical. La NOAA annonce de meilleures performances que le GFS pour de nombreux phénomènes de grande échelle et des erreurs de trajectoire des cyclones plus faibles aux échéances longues, et la vérification de la v1.0 par la NOAA a trouvé un gain statistiquement significatif sur le GFS pour la corrélation d'anomalie de la hauteur géopotentielle. Pour une traversée océanique, où choisir sa route revient surtout à choisir un système météo à exploiter ou à éviter, c'est l'information qui compte.

Sa faiblesse, c'est la force du vent. Un réseau entraîné sur une erreur moyenne lisse : les pics de vent sont émoussés, les gradients serrés adoucis, et l'effet croît avec l'échéance. La version 1.0 sous-estimait l'intensité des cyclones tropicaux ; la v1.1 a été conçue pour corriger ce défaut et réduire le flou, sans chiffre publié sur l'ampleur de l'amélioration. Dans un coup de vent, près d'un cyclone ou le long d'un front marqué, lisez sa vitesse de vent avec prudence, et son calendrier et sa position comme la partie utile.

À 0,25 °, environ 28 km, et avec un état toutes les 6 heures, il ne voit rien de ce qui se passe près des terres : ni brise de mer, ni accélération autour d'un cap, ni dévent derrière une île, ni ligne de grains, et il ne donne pas de rafales. Un front qui passe entre deux pas n'est connu que par ce qui se passe avant et après lui. Pour la navigation côtière ou une décision qui se compte en heures, un modèle régional à maille fine en dit bien plus.

Son meilleur usage est celui d'un second avis à côté du GFS. Les deux partent de la même analyse de la NOAA, donc l'AIGFS n'est pas indépendant du GFS : quand ils divergent, la différence vient des seuls modèles, ce qui signale proprement une prévision incertaine, mais quand ils s'accordent, ils peuvent partager la même erreur dans l'état de départ. Un modèle parti de l'analyse d'un autre centre, comme l'IFS ou l'AIFS, donne le regard indépendant ; quand tous s'accordent sur une route, la confiance est forte.

L'AIGFS dans Saily WR

Saily WR télécharge chaque nouveau run de l'AIGFS sur le serveur NOMADS de la NOAA, quatre fois par jour, sur la grille de 0,25 ° : le vent à 10 m, en composantes est-ouest et nord-sud, toutes les 6 heures jusqu'à 16 jours (384 heures). Un run est complet environ 4 h 20 après son heure de cycle. Comme le modèle est mondial, chaque route a sa version AIGFS, où qu'elle parte et où qu'elle arrive.

La route par isochrones est naviguée selon la polaire de votre bateau dans ce vent, interpolé dans l'espace entre les points de grille et dans le temps entre les pas de 6 heures. Elle est tracée à côté des routes des autres modèles qui couvrent la même zone, dont le GFS, si bien qu'un écart entre les routes AIGFS et GFS montre d'un coup d'œil où les deux prévisions divergent.

La page Données montre en direct sur quel run de l'AIGFS l'application se trouve et jusqu'où il porte.