NVIDIA a dévoilé Earth-2, une série de modèles ouverts et accélérés dédiés à la météo et au climat, pensée pour couvrir toute la chaîne opérationnelle: assimilation des observations, prévisions globales à 15 jours et nowcasting kilométrique. Les modèles sont utilisables et déployables sur infrastructures propres, avec entraînement et affinage via le framework open source PhysicsNeMo.
Trois nouveaux modèles au cœur de la pile Earth-2
Earth-2 Medium Range s’appuie sur l’architecture Atlas pour une prévision globale jusqu’à 15 jours sur plus de 70 variables (température, pression, vent, humidité, etc.). Sur les benchmarks de référence, il surpasse les principaux modèles ouverts sur les variables les plus utilisées, tout en restant exploitable en production.
Earth-2 Nowcasting, basé sur StormScope, pousse la prévision de 0 à 6 heures à l’échelle kilométrique au niveau national. Le modèle simule directement la dynamique des systèmes convectifs, prédit images radar et satellite, et revendique des performances supérieures aux approches physiques traditionnelles pour les précipitations à court terme.
Earth-2 Global Data Assimilation, avec l’architecture HealDA, produit en quelques secondes sur GPU les conditions initiales globales à partir d’observations hétérogènes (satellites, radiosondages, stations). Couplé au modèle Medium Range, il constitue une chaîne de prévision entièrement IA, ouverte et optimisée pour l’exécution accélérée.
Intégration de la pile et écosystème
Les nouveautés complètent CorrDiff, génératif de descente d’échelle qui convertit des champs à résolution grossière en champs régionaux fins, avec un gain de vitesse annoncé de 500× par rapport aux méthodes classiques. FourCastNet3 reste positionné sur la prévision multi-variables (vent, température, humidité) avec une précision comparable aux meilleurs modèles de diffusion, tout en étant jusqu’à 60× plus rapide que les approches de référence.
Earth-2 agrège également des modèles ouverts de l’ECMWF, de Microsoft et de Google. L’ensemble se pilote via PhysicsNeMo, cadre Python open source pour le développement à grande échelle de modèles d’IA physique, facilitant entraînement, fine-tuning et déploiement.
La promesse est autant opérationnelle que scientifique: accélérer la production d’analyses initiales, améliorer la qualité des prévisions et standardiser un socle ouvert propice à la collaboration inter-instituts. Pour les centres météo nationaux et privés, la perspective d’une chaîne full-IA, portable et accélérée, peut réduire le coût d’entrée en prévision haute résolution et accélérer le transfert de la recherche vers l’opérationnel.
Source : ITHome
