Évaluer les coûts environnementaux des réseaux neuronaux récurrents multi-échelles pour un nowcasting durable des pluies extrêmes

Pourquoi des prévisions de pluie plus rapides et plus vertes comptent

Alors que les villes du monde entier sont confrontées à des averses soudaines et à des inondations de plus en plus fréquentes, en particulier dans les zones à ressources limitées, disposer de quelques minutes d’alerte supplémentaires peut sauver des vies. Mais les ordinateurs qui produisent les prévisions météorologiques de pointe consomment beaucoup d’énergie, sont coûteux et sont souvent hors de portée des régions qui en ont le plus besoin. Cet article pose une question simple mais urgente : peut-on concevoir des outils d’intelligence artificielle capables de prévoir les pluies dangereuses tout en restant abordables et responsables sur le plan environnemental ?

Des supercalculateurs aux motifs intelligents dans les images radar

Les prévisions à très court terme des pluies, appelées « nowcasts », sont aujourd’hui généralement produites par de grands modèles basés sur la physique qui simulent l’atmosphère en détail. Ces systèmes fonctionnent bien dans de nombreux cas, mais ils peinent à fournir des prévisions très courtes, d’une à deux heures, précisément quand les gens ont besoin d’un guidage clair sur un orage imminent. Ils exigent également des ressources massives de supercalcul. En revanche, des modèles d’IA récents apprennent directement à partir d’immenses collections d’images radar météorologiques, traitant l’évolution des tempêtes comme des images successives d’une vidéo. Les réseaux neuronaux récurrents, conçus pour capter la façon dont les motifs évoluent dans le temps, ont déjà montré qu’ils pouvaient surpasser les modèles traditionnels pour la prévision à très court terme.

Le coût caché d’une IA puissante

Cependant, ces systèmes d’IA apportent leur propre problème : ils peuvent être extrêmement volumineux, nécessitant beaucoup de mémoire, d’électricité et de processeurs graphiques spécialisés. Ce coût dépasse le seul aspect financier. L’entraînement et l’exécution de tels modèles consomment de l’énergie qui génère des émissions de carbone et une consommation d’eau indirecte dans les centrales électriques. Les régions les plus touchées par les pluies extrêmes — comme les villes tropicales du Sud global — sont souvent les moins à même d’acheter ce matériel, creusant un fossé climatique et technologique existant. Les auteurs ont constaté, à travers une revue des études antérieures, que presque personne n’avait réellement mesuré ces impacts environnementaux pour le nowcasting des pluies, même lorsque les modèles devenaient plus grands et plus complexes.

Une façon plus légère d’analyser le ciel

L’étude se concentre sur une technique appelée cadre de réseau neuronal récurrent multi-échelle, ou MS-RNN, qui réorganise les modèles d’IA existants afin de traiter les images radar à plusieurs résolutions simultanément. Plutôt que de traiter chaque détail à pleine taille, le réseau compresse puis reconstruit à plusieurs reprises les images, ce qui lui permet de capturer efficacement les structures générales des tempêtes et les caractéristiques fines. Les chercheurs ont adapté trois modèles de nowcasting populaires pour utiliser cette conception multi-échelle et les ont testés sur deux jeux de données radar réels : l’un dans les Alpes italiennes et l’autre dans le paysage urbain et le terrain très complexe de Rio de Janeiro, au Brésil. Ils ont suivi non seulement la précision des prévisions, mais aussi l’utilisation de la mémoire, le temps d’exécution, la consommation électrique, les émissions de carbone estimées et la consommation d’eau associée.

Ce que montrent les expériences sur la vitesse, la précision et l’empreinte

Sur le jeu de données des Alpes, les versions multi-échelles des modèles ont considérablement réduit leurs besoins en ressources. L’utilisation de la mémoire a été réduite d’environ moitié, le temps d’entraînement a été divisé par deux ou plus, et la consommation électrique a chuté jusqu’à environ 70 %. Cela s’est traduit par des réductions similaires des émissions de carbone estimées et de la consommation d’eau, avec des économies de plus de 60 % pour certaines variantes de modèles. Dans le même temps, la qualité des prévisions est restée identique ou s’est même légèrement améliorée selon les mesures d’erreur standard et un indicateur qui évalue la capacité des modèles à viser les fortes pluies. À Rio de Janeiro, où les schémas météorologiques et le relief sont plus exigeants et les images radar plus petites, les gains ont été plus modestes. Les modèles multi-échelles ont néanmoins consommé moins d’énergie et émis moins de carbone, mais leurs prévisions étaient légèrement moins précises que les versions originales — bien que les différences soient suffisamment faibles pour que les auteurs estiment que ce compromis est souvent acceptable dans des contextes à ressources limitées.

Limites et étapes suivantes pour les fortes averses

Même avec ces améliorations, tous les modèles testés ont encore eu du mal avec les rafales de pluie les plus rares et les plus intenses. Des scores d’erreur spéciaux qui accordent un poids supplémentaire aux événements extrêmes ont révélé que les fortes averses restent difficiles à prédire de manière fiable, en partie parce qu’elles sont sous-représentées dans les données d’entraînement. Les auteurs pointent vers des approches récentes qui combinent l’IA avec des connaissances physiques sur les tempêtes ou qui utilisent des modèles génératifs avancés pour affiner les images radar, mais notent que ces méthodes sont généralement encore plus coûteuses en calcul — et ne rendent presque jamais compte de leur consommation d’énergie ou d’eau. L’étude appelle donc à des travaux futurs qui conçoivent des modèles avec l’efficacité en tête dès le départ et qui publient systématiquement des métriques environnementales en parallèle des résultats de précision.

Ce que cela signifie pour les personnes sur le terrain

Concrètement, l’article montre qu’il est possible de construire des outils d’IA qui fournissent des alertes de pluies à court terme utiles tout en consommant bien moins de mémoire, d’énergie et d’eau que de nombreux systèmes actuels. Pour des villes comme Rio de Janeiro, où inondations et glissements de terrain sont fréquents et les budgets contraints, ces approches d’« IA verte » pourraient contribuer à rendre des systèmes d’alerte avancés accessibles, plutôt que de les réserver aux centres météorologiques bien financés. Ce travail ne résout pas le défi de prédire parfaitement les tempêtes les plus extrêmes, mais il trace une voie pragmatique vers des systèmes de prévision à la fois plus durables et plus équitables.

Citation: Brum, D., Teylo, L., Silva, F.P.d. et al. Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting. Sci Rep 16, 12846 (2026). https://doi.org/10.1038/s41598-026-43029-2

Mots-clés: pluies extrêmes, radar météorologique, apprentissage profond, IA durable, nowcasting