Prévisions météo : l'essentiel en vue express
L'atmosphère est un système chaotique, et une prévision détaillée pour toute la planète exige des puissances de calcul colossales. StretchCast contourne ce problème en fonctionnant comme l'œil humain : il crée une « vision nette » sur la région choisie avec une grille très fine, tandis que le reste du monde apparaît flou — mais suffisamment pour saisir les connexions globales.
Le modèle a été entraîné sur des archives d'observations couvrant 25 ans, où le soleil chauffe les océans, où l'humidité s'évapore et où naissent les vents. Une grille de seulement 8 000 cellules (des centaines de fois moins que dans les modèles classiques) couvre la planète et reproduit fidèlement les typhons, en raccordant en douceur les prévisions aux jonctions des zones. Le caractère chaotique de l'atmosphère, c'est l'entropie, une mesure du désordre, et la résolution variable empêche les déchets de calcul de submerger la simulation.
L'approche n'est pas nouvelle : dès les années 1940, John von Neumann rêvait de prévisions météorologiques numériques. Aujourd'hui, StretchCast prouve que des prévisions régionales détaillées sont possibles même sans supercalculateurs — c'est un œil perçant pour chaque coin de la Terre.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.27288
Global AI weather forecasting still relies mainly on uniform-resolution models, making it hard to combine regional refinement, two-way regional-global coupling, and affordable training cost. We introduce StretchCast, a global-regional AI forecasting framework built on a variable-resolution stretched cubed-sphere (SCS) mesh that preserves a closed global domain while concentrating resolution over a target region. Within this framework, we develop a one-step predictor, SCS_Base Model, and a rollout-oriented multistep predictor, SCS_FCST4 Model, to test the feasibility of SCS-based forecasting and the benefit of joint multistep training. Experiments use ERA5 with 69 variables over 1998-2022. Because training compute remains limited, this study uses a coarse-resolution proof-of-concept configuration rather than a final high-resolution system. Even with only about 7,776 effective global grid cells and roughly 0.875 degree resolution over the center-refined face, the 23M-parameter SCS_Base Model yields stable multivariate forecasts. With 83M parameters and training cost on the order of hours, SCS_FCST4 Model delivers competitive medium-range anomaly-correlation evolution over the target region after unified reprojection, especially for geopotential height, specific humidity, and part of the lower-tropospheric winds, while maintaining smooth cross-face continuity and realistic multiscale structure in typhoon and spectral analyses. These results support StretchCast as a practical lightweight foundation for global-regional AI weather forecasting.
Pour couvrir la Terre sans déformer les pôles, StretchCast utilise une grille semblable à celle d'un ballon de football — des panneaux de tailles différentes.