Prévisions météo : Microsoft affine les erreurs à l’horizon de deux à six semaines

Microsoft Research et plusieurs partenaires académiques ont publié dans Nature, le 14 octobre 2026, une étude sur probabilistic bias correction (PBC), un cadre de correction probabiliste des prévisions météo. L’idée est simple à dire, moins à faire : corriger les biais récurrents des modèles pour mieux prévoir le temps à deux à six semaines, une fenêtre où la précision chute vite. Les auteurs affirment que PBC améliore à la fois les modèles dynamiques classiques et plusieurs systèmes d’IA, avec un code rendu public en open source.

Corriger le biais plutôt que réapprendre l’atmosphère

Le cœur de PBC tient en une approche de post-traitement. Au lieu de recalculer la dynamique de l’atmosphère, le système apprend à corriger les prévisions probabilistes déjà produites par un modèle, en travaillant sur des distributions de probabilité plutôt que sur des observations brutes. Les auteurs expliquent que cela cible des erreurs systématiques, celles qui s’accumulent quand on s’éloigne de l’échéance immédiate.

Le dispositif combine deux briques : Debias++, qui ajuste les prévisions selon la date, la zone et les quantiles de probabilité, et Persistence++, qui mêle prévisions, observations récentes et climatologie. Les deux sorties sont ensuite projetées sur des distributions valides puis moyennées. Dit autrement, PBC essaie de remettre un peu d’ordre dans un système qui adore le chaos.

Des gains mesurés sur les modèles de référence

Pour évaluer la méthode, l’équipe s’est appuyée sur les conventions de l’ECMWF AI Weather Quest, avec des cartes globales à 1,5 degré, des fenêtres semaine 3 et semaine 4, et une mesure de performance fondée sur le ranked probability skill score (RPSS). Les données de référence viennent de la réanalyse ERA5 entre 1979 et 2026, et le jeu de test couvre des dates cibles du lundi et du vendredi entre 2016 et 2024. Le cadre est pensé pour être réentraîné chaque jour avec les seules données disponibles à la date d’émission.

Sur l’ensemble ECMWF, présenté comme la référence opérationnelle, PBC aurait triplé le score positif de précipitation du modèle brut, à 0,023 RPSS, et transformé des scores négatifs sur température et pression en prévisions utiles. Par rapport à la sortie déjà débiaisée d’ECMWF, les auteurs annoncent des hausses de 26 à 37 % sur la température et de 16 à 32 % sur la pression, avec des gains sur 98 % des cellules de grille pour les précipitations, 91 à 92 % pour la température et 89 à 91 % pour la pression au niveau de la mer.

La méthode ne se limite pas aux modèles physiques. Appliquée à AIFS-SUBS, le modèle d’IA d’ECMWF pour la prévision subseasonnière, PBC aurait doublé un score moyen de 0,03 sur l’ensemble des variables et horizons testés en 2025. Sur POET, un système hybride combinant ensemble ECMWF et réseaux neuronaux, les gains annoncés vont de 68 à 98 % pour les précipitations, de 15 à 23 % pour la pression et de 5 à 7 % pour la température. Les auteurs rapportent aussi des progrès nets sur FuXi-S2S, avec jusqu’à 99 à 100 % des cellules de grille améliorées selon les variables [à vérifier sur le détail exact des métriques publiées].

Une compétition remportée, puis un cas concret en décembre

Pour tester la méthode en conditions réelles, les chercheurs ont engagé un ensemble nommé MicroDuet dans l’édition 2025 de l’ECMWF AI Weather Quest. Selon l’article, cette combinaison de PBC-ECMWF et PBC-POET a terminé première sur toutes les variables et à tous les horizons lors de la saison septembre-novembre, devant les modèles corrigés de six centres opérationnels, plusieurs versions d’AIFS-SUBS et 34 équipes dans le monde. Elle a aussi dominé la saison décembre-février.

Un détail donne une bonne idée de l’intérêt pratique de la méthode : en novembre 2025, la prévision semaine 4 de MicroDuet aurait anticipé une vague de froid sur l’est des États-Unis pour décembre 2025, là où la version débiaisée d’ECMWF l’avait manquée. Dans la météo, ce genre de rattrapage compte vite. Et non, il ne suffit pas d’avoir le plus gros modèle pour voir venir l’averse.

Les événements extrêmes gagnent aussi en lisibilité

Les auteurs ont également testé PBC sur des extrêmes météo, en travaillant sur des seuils de 5 % et 95 % et en évaluant les scores avec le Brier skill score. Sur les événements extrêmes de semaine 3 entre 2016 et 2024, ils disent avoir obtenu une hausse de 51 % pour les températures élevées et de 39 % pour la pression, avec des gains de cellule atteignant 96 % pour les précipitations, 89 % pour la pression au niveau de la mer et 85 % pour la température.

L’intérêt ne se limite pas aux cartes météo. Sur 2 435 inondations recensées par le Global Disaster Alert and Coordination System (GDACS) entre 2016 et 2026, la méthode aurait amélioré la prévision semaine 3 de 76 à 92 %, tandis que le débiaisage opérationnel faisait tomber le score brut d’ECMWF vers zéro. Pour 88 inondations graves, définies par GDACS comme causant plus de 100 morts ou 80 000 déplacements, les auteurs annoncent un gain de 86 à 150 %. Ils y voient un levier pour l’agriculture, l’énergie et la préparation aux catastrophes, surtout dans les zones les plus exposées.