Demandez à un agriculteur quand une prévision compte vraiment, et la réponse concerne rarement demain. Demain est déjà planté, arrosé et organisé. Les décisions qui coûtent de l’argent ou sauvent une récolte se situent plus loin : la pluie arrivera-t-elle en troisième semaine, un gel tombera-t-il en quatrième semaine, une période sèche durera-t-elle assez pour changer un plan de semis ? Cette fenêtre de deux à six semaines, que les scientifiques appellent la plage subsaisonnière, a longtemps été le tronçon le plus difficile de la prévision météo. Une étude publiée dans Nature le 14 octobre 2026 indique que l’apprentissage automatique peut désormais rendre cette fenêtre beaucoup plus utile.
L’article, intitulé en anglais Advancing subseasonal forecasting with machine learning, vient d’une équipe de 13 auteurs dirigée par des chercheurs liés à Microsoft Research, avec des collègues du MIT, de Harvard College, de l’Université de Toronto, de l’IMPA, du Janus Research Group, de Rhiza Research et du CEPMMT, le Centre européen pour les prévisions météorologiques à moyen terme. Hannah Guan et Soukayna Mouatadid ont contribué à égalité au travail, avec Judah Cohen, du MIT, et Lester Mackey, de Microsoft Research, comme auteurs correspondants. Leur méthode porte un nom simple et une idée astucieuse : la correction probabiliste des biais, ou PBC.
Le trou gênant entre deux semaines et une saison
La prévision moderne est sincèrement bonne à court terme. Les modèles dynamiques fondés sur la physique et les systèmes d’intelligence artificielle plus récents livrent des prévisions précises jusqu’à environ deux semaines, un vrai accomplissement construit sur des décennies. Ensuite, la qualité chute brutalement. Les erreurs se composent, les biais systématiques s’installent et le chaos naturel de l’atmosphère prend le dessus. Quand une prévision atteint la troisième ou la quatrième semaine, beaucoup d’utilisateurs cessent discrètement de lui faire confiance et reviennent aux moyennes historiques.
Les perspectives saisonnières prennent le relais plus loin, mais elles parlent en tendances générales, pas dans les semaines précises où un gestionnaire de réservoir libère de l’eau ou où un fournisseur d’énergie décide de la quantité d’électricité à réserver. Le trou subsaisonnière se situe exactement là où vit la planification pratique. Voilà pourquoi les chercheurs le poursuivent depuis des années, et pourquoi une méthode qui améliore la qualité sur toute cette fenêtre attire l’attention bien au-delà de la météorologie.
Un ajout, pas un remplacement
La PBC n’essaie pas de construire un meilleur modèle météo à partir de zéro. Elle s’enroule autour des modèles qui existent déjà. Le cadre apprend à partir des prévisions probabilistes historiques d’un modèle, étudie où ces prévisions avaient tendance à dériver, puis corrige les erreurs systématiques dans les nouvelles prévisions. Il travaille directement sur les distributions de probabilité plutôt que sur les observations brutes, ce qui compte parce que les prévisions subsaisonnières sont des affirmations sur des probabilités – la vraisemblance de la pluie, de la chaleur ou de certains régimes de pression – et non des certitudes sur un seul après-midi.
Parce qu’il s’agit d’une couche de post-traitement, la PBC peut se placer au-dessus de systèmes dynamiques, de systèmes d’intelligence artificielle ou d’hybrides des deux. L’équipe rapporte qu’elle a aussi amélioré les prévisions d’autres modèles, élevant dans certains cas des systèmes plus faibles à un niveau comparable à celui du CEPMMT. Le code a été publié en source ouverte sous licence MIT, et les chercheurs indiquent que l’outil peut fonctionner sur des processeurs ordinaires plutôt que sur les cartes graphiques ou les supercalculateurs que demandent les modèles météo complets. Un service météo national sans budget de supercalculateur peut donc quand même l’utiliser.
Ce que les chiffres ont montré
L’étude a concentré son évaluation sur la troisième semaine (jours 19 à 25) et la quatrième semaine (jours 26 à 32). Face à la prévision dynamique opérationnelle du CEPMMT, déjà corrigée de ses biais, les auteurs rapportent que la PBC a amélioré la qualité des prévisions dans 98 pour cent des cellules de grille évaluées pour les précipitations, 92 pour cent pour les températures et 91 pour cent pour la pression moyenne au niveau de la mer. Ce sont des mesures sur une grille mondiale, pas des promesses pour une ville précise, mais l’ampleur est le point important : les gains sont apparus presque partout où l’équipe a regardé, sur les trois variables que les planificateurs surveillent le plus.
L’article rapporte aussi que la PBC a doublé la faible qualité subsaisonnière du propre système de prévision par intelligence artificielle du CEPMMT. Dans un test compétitif distinct, un système fondé sur la PBC, nommé MicroDuet, s’est classé premier pour chaque variable et chaque délai évalués lors de la première saison, de septembre à novembre 2025, de l’AI Weather Quest, la compétition de prévision en temps réel du CEPMMT. Une première place sur une variable peut être de la chance. Une première place sur toutes suggère que la correction trouve quelque chose de réel.
Même lu avec la prudence d’un scientifique, la direction est difficile à manquer. Une faiblesse persistante de la prévision a répondu à une idée relativement simple : apprendre à un système les habitudes des erreurs d’un modèle, puis les soustraire. Cette attention aux phénomènes lents et mesurables rejoint d’autres observations suivies par notre rédaction, comme ce littoral suédois qui émerge de la mer centimètre après centimètre, où seule la mesure patiente révèle le mouvement.
Pourquoi les semaines à l’avance concentrent la valeur
Pensez à l’énergie. Un opérateur de réseau averti d’une tempête de glace à deux jours peut réagir, mais de justesse : les équipes, le matériel et l’aide mutuelle prennent du temps à se déplacer. Le même avertissement à deux semaines devient un plan au lieu d’une course. Judah Cohen a fait exactement ce point en décrivant ses conversations avec des responsables de l’énergie, et il se généralise. Les gestionnaires de l’eau qui décident des lâchers, les organisateurs d’événements qui pèsent une date en plein air, les agriculteurs qui règlent la fertilisation autour d’une pluie attendue : tous travaillent en semaines, pas en heures.
L’agriculture pourrait ressentir le bénéfice en premier. Connaître les probabilités de pluie en troisième semaine façonne le moment de fertiliser, afin que les nutriments pénètrent le sol au lieu de s’en échapper. Un indice crédible d’un gel à venir permet aux cultivateurs de protéger une récolte d’hiver. Des signaux de sécheresse arrivant des semaines plus tôt donnent aux éleveurs le temps de s’ajuster tant que l’ajustement reste peu coûteux. Rien de tout cela ne demande une prévision parfaite, seulement une meilleure prévision, livrée assez tôt pour agir.
Un test réel est déjà en cours. Rhiza Research travaille en partenariat avec le service météorologique du Kenya, avec un financement de la Fondation Gates, pour essayer des outils d’intelligence artificielle, dont la PBC, pendant la saison des pluies 2026. Pour les agriculteurs kényans, une lecture plus nette des pluies des semaines à l’avance n’est pas une mesure académique. C’est la différence entre planter avec confiance et planter sur un espoir.
Un schéma à surveiller
Les prévisions ne seront jamais parfaites à six semaines. L’atmosphère s’en chargera. Mais la perfection n’a jamais été la barre. La barre est une prévision autour de laquelle un agriculteur, un gestionnaire de l’eau ou un opérateur de réseau peut planifier sans sourciller, et, d’après les preuves publiées cette semaine dans Nature, cette barre vient de se rapprocher beaucoup.
À lire aussi sur Le Miroir Français : les vingt ans de la fondation d’Albert II à Monte-Carlo, au service de la planète, un autre récit récent qui prolonge, à sa manière, le plaisir de cette lecture.