ECMWF AIFS-COMPO étend les prévisions de pollution, mais dépend toujours de la physique

ECMWF AIFS-COMPO a étendu ses prévisions expérimentales de la composition atmosphérique mondiale à 10 jours, soit deux fois la portée du système opérationnel qu’il vise à compléter. Pourtant, le modèle d’IA a toujours besoin de ce système fondé sur la physique pour établir ses conditions initiales.

Le Centre européen pour les prévisions météorologiques à moyen terme a présenté le système le 16 octobre 2026. Il adapte l’Artificial Intelligence Forecast System d’ECMWF afin de prévoir conjointement les aérosols, les gaz réactifs et les variables météorologiques.

Ce changement est important, car la prévision de la composition atmosphérique soutient les alertes sur la qualité de l’air, la planification sanitaire, le suivi des fumées d’incendies et l’analyse d’événements tels que le trou dans la couche d’ozone antarctique. Le Copernicus Atmosphere Monitoring Service opérationnel produit actuellement des prévisions mondiales à cinq jours, deux fois par jour.

AIFS-COMPO propose une voie de calcul différente. Ses développeurs font état de résultats compétitifs pour plusieurs polluants tout en utilisant beaucoup moins de ressources informatiques. Toutefois, il reste expérimental, couvre moins de variables et ne peut pas encore assimiler des observations de manière indépendante.

L’enjeu central n’oppose donc pas l’IA aux sciences atmosphériques. Il met en regard un modèle de prévision appris, plus rapide, et l’infrastructure physique qui a créé ses données d’entraînement et continue de préparer chaque prévision.

ECMWF AIFS-COMPO transforme des prévisions à cinq jours en expériences à dix jours

Le changement immédiat est une prévision plus longue et plus rapide, non le remplacement du système CAMS opérationnel.

ECMWF a publié des graphiques de prévision publics issus d’AIFS-COMPO, un système expérimental destiné à prédire la composition atmosphérique mondiale. Ces graphiques s’étendent sur 10 jours et couvrent les principaux polluants, gaz et catégories d’aérosols.

Le modèle produit des prévisions pour les particules fines, notamment les PM2.5 et PM10. Il prédit également le monoxyde de carbone, le dioxyde d’azote, l’ozone, le dioxyde de soufre et plusieurs types d’aérosols.

Ces aérosols comprennent la poussière, le sel marin, les sulfates et des matières associées à la combustion de biomasse. Les résultats sont disponibles en surface, sur des niveaux de pression ou sous forme de colonnes atmosphériques totales, selon la variable.

Cette publication a suivi la dixième Assemblée générale de CAMS, organisée à Athènes du 13 au 15 octobre. ECMWF a annoncé la disponibilité des graphiques durant cette rencontre, selon la publication de CAMS sur le modèle.

La comparaison opérationnelle est IFS-COMPO, une configuration de l’Integrated Forecasting System d’ECMWF. Il représente les processus atmosphériques au moyen d’équations physiques et chimiques.

IFS-COMPO modélise la manière dont les substances se déplacent, réagissent, entrent dans l’atmosphère et en sortent. Il assimile également les observations satellitaires, c’est-à-dire qu’il combine les mesures avec les estimations du modèle afin de produire de meilleures conditions initiales.

Ce système émet des prévisions à cinq jours deux fois par jour. AIFS-COMPO étend cette portée à 10 jours, car ses prévisions nécessitent moins de calculs après l’entraînement.

Une portée plus longue ne garantit pas automatiquement une précision utile en tout lieu ou à chaque échéance. Les erreurs de prévision s’accumulent généralement à mesure qu’un modèle s’éloigne de son état initial.

ECMWF indique que son évaluation précoce a constaté une compétence comparable ou améliorée pour plusieurs variables atmosphériques importantes. L’article de référence fait également état de meilleurs résultats pour certaines mesures relatives aux aérosols et aux particules fines.

Une comparaison a examiné l’épaisseur optique des aérosols, qui mesure la façon dont les particules réduisent la lumière traversant l’atmosphère. AIFS-COMPO a enregistré une erreur plus faible pendant les cinq jours couverts par les deux modèles au cours de la période de test rapportée.

Un autre cas a examiné le trou dans la couche d’ozone antarctique de 2024. Le système d’IA a continué à représenter l’événement dans sa prévision au dixième jour, au-delà de la portée actuelle de cinq jours du produit opérationnel.

Ces résultats font de l’expérience davantage qu’une démonstration de visualisation. Ils montrent qu’un modèle appris peut conserver des signaux atmosphériques utiles à grande échelle au-delà de l’horizon opérationnel existant.

Toutefois, ECMWF décrit toujours IFS-COMPO comme sa référence en matière de précision et de fiabilité. AIFS-COMPO n’a pas remplacé cette référence ni assumé le même rôle opérationnel.

Cette distinction importe pour les agences sanitaires, les analystes environnementaux et les services de données en aval. Les produits opérationnels nécessitent des calendriers fiables, une gestion des défaillances documentée et des performances cohérentes dans de nombreuses conditions.

Un nouveau modèle peut surpasser certaines mesures sélectionnées sans remplir toutes ces exigences. La publication à 10 jours lance un processus de validation plus large plutôt qu’elle n’en achève un.

Pourquoi la prévision par IA de la composition atmosphérique est plus difficile que la prévision météorologique

La prévision de la pollution exige qu’un modèle suive la météo tout en tenant compte des émissions, de la chimie, du transport et des processus d’élimination.

La prévision météorologique fondée sur les données a déjà produit des systèmes qui rivalisent avec les modèles numériques conventionnels. La composition atmosphérique présente des difficultés supplémentaires que les seules variables météorologiques ne capturent pas.

Les polluants proviennent de sources inégales et changeantes. Les incendies de forêt, l’activité industrielle, le trafic, les tempêtes de poussière, la végétation et les embruns marins peuvent chacun modifier l’état de l’atmosphère.

Leurs effets se déploient à différentes échelles spatiales et temporelles. Un gaz peut réagir chimiquement, tandis que les particules peuvent s’agréger, se déposer ou être lessivées par les précipitations.

Le vent transporte ces substances au-delà des frontières nationales. La température, la lumière du soleil, l’humidité, les nuages et les précipitations peuvent également modifier leurs concentrations ou leur comportement chimique.

Les mesures restent inégalement réparties sur la planète. Les observations météorologiques sont imparfaites, mais les données sur la composition atmosphérique peuvent être particulièrement rares pour certains composés et certaines régions.

Le système de production CAMS existant gère ces interactions grâce à des calculs physiques et chimiques détaillés. Il représente le transport, les émissions, la conversion chimique, la physique des aérosols, les dépôts et l’élimination par les précipitations.

Il utilise également des données satellitaires sur l’épaisseur optique des aérosols, l’ozone, le monoxyde de carbone, le dioxyde d’azote et le dioxyde de soufre. L’assimilation de données intègre ces observations dans l’estimation de l’état atmosphérique actuel.

AIFS-COMPO apprend des relations statistiques au sein des résultats de ce système établi. Il a été préentraîné à l’aide de la réanalyse CAMS EAC4 couvrant la période de 2003 à 2023.

Une réanalyse combine des observations historiques avec un modèle cohérent afin de reconstruire les conditions atmosphériques passées. Elle fournit un enregistrement long et structuré lorsque les observations directes seules seraient incomplètes.

Les développeurs ont ensuite affiné AIFS-COMPO à partir des analyses et prévisions opérationnelles de CAMS de 2019 à 2023. Cette étape a exposé le modèle à une configuration de production plus récente.

L’étape finale d’entraînement a utilisé des déploiements progressivement plus longs. Un déploiement autorégressif réinjecte de manière répétée la prédiction précédente d’un modèle dans son étape de prévision suivante.

Ce processus contribue à limiter l’accumulation des erreurs. Un modèle entraîné uniquement à prédire un court intervalle peut devenir instable lorsqu’on lui demande de répéter cette opération à de nombreuses reprises.

Selon l’article sur AIFS-COMPO, le système progresse par incréments de trois heures. Il prédit 187 variables météorologiques et de composition atmosphérique.

Le modèle fonctionne sur une grille mondiale d’environ 80 kilomètres. Ses résultats capturent de vastes schémas de transport, mais cette résolution ne peut pas représenter directement chaque source de pollution à l’échelle des quartiers.

Son architecture utilise un encodeur, un processeur et un décodeur. Des composants de réseau neuronal de graphes transfèrent les champs entre la grille d’entrée et une représentation interne de résolution inférieure.

Le processeur utilise une conception fondée sur les transformeurs pour apprendre les relations à travers l’état mondial. Le décodeur projette ensuite la représentation apprise sur la grille de prévision.

La météorologie et la composition atmosphérique sont prédites conjointement. Cette conception permet au système de modéliser les liens entre le vent, la température, l’humidité, les gaz et les particules au sein d’un seul processus de prévision.

Cette approche conjointe est importante. La pollution n’évolue pas indépendamment de la météo, et la météo peut également interagir avec les aérosols et la chimie atmosphérique.

L’ampleur du modèle le distingue de systèmes plus restreints qui estiment un seul polluant ou améliorent la résolution locale. Les chercheurs d’ECMWF le décrivent comme le premier modèle d’IA à produire des prévisions mondiales toutes les trois heures sur un large ensemble de variables de composition.

Cette description appartient à l’équipe de recherche et doit être lue dans le cadre de la portée qu’elle indique. D’autres systèmes d’apprentissage automatique prévoient déjà les aérosols, la chimie régionale et certaines variables environnementales mondiales.

Aurora de Microsoft, par exemple, a démontré une approche par modèle de fondation pour plusieurs tâches de prévision du système terrestre. Des systèmes régionaux ont également appliqué l’apprentissage profond au transport de la pollution et à la chimie atmosphérique.

L’élément distinctif d’AIFS-COMPO est son intégration dans l’environnement de prévision établi d’ECMWF. Ses données d’entraînement, ses conditions initiales, son modèle de comparaison et ses graphiques publics sont tous liés aux opérations de CAMS.

L’avantage de vitesse modifie l’équation de la prévision

AIFS-COMPO montre que les prévisions de composition atmosphérique peuvent devenir considérablement moins coûteuses après l’entraînement, ouvrant la voie à des portées plus longues et à des ensembles plus vastes.

La différence de calcul rapportée est importante. L’équipe de recherche indique qu’AIFS-COMPO produit une prévision mondiale à cinq jours en environ 50 secondes sur un processeur graphique.

L’exécution de comparaison pour IFS-COMPO prend environ 1 000 secondes sur 8 000 unités centrales de traitement, selon l’article. Ces chiffres décrivent des architectures de calcul différentes, et ne constituent donc pas un calcul direct des coûts matériels.

Même avec cette réserve, l’opportunité opérationnelle est claire. Une inférence rapide peut prendre en charge davantage d’exécutions de prévision sans répéter à chaque fois l’intégralité du calcul numérique.

Cette capacité pourrait permettre des ensembles plus vastes. Un ensemble exécute plusieurs prévisions avec des conditions initiales ou des hypothèses de modèle variées afin d’estimer l’incertitude.

Les services de composition atmosphérique pourraient également tester plus rapidement des configurations alternatives. Les chercheurs pourraient examiner davantage de cas, des horizons plus longs ou des événements extrêmes ciblés dans le même budget de calcul.

Cette efficacité explique aussi le passage de cinq à 10 jours. Les modèles de chimie conventionnels deviennent coûteux parce que chaque prévision doit calculer de nombreux processus en interaction à l’échelle du globe.

Un modèle appris effectue la plus grande partie de son optimisation coûteuse durant l’entraînement. Une fois entraîné, il applique bien plus rapidement ses relations apprises à de nouveaux états initiaux.

Cet avantage est particulièrement pertinent pour les fumées et les poussières qui traversent les continents. Une prévision plus longue peut donner aux agences davantage de temps pour examiner la trajectoire possible d’un vaste panache.

Elle pourrait aussi aider les chercheurs à suivre des événements stratosphériques se développant lentement. Le cas rapporté du trou dans la couche d’ozone antarctique illustre cette utilisation à plus long horizon.

Toutefois, le modèle d’IA ne reçoit pas une collection brute d’observations actuelles pour créer une prévision de manière indépendante. Son état initial provient de l’analyse CAMS opérationnelle.

Cette analyse intègre déjà des données satellitaires par le processus d’assimilation du système fondé sur la physique. AIFS-COMPO hérite donc d’une estimation soigneusement préparée de l’atmosphère actuelle.

Cette dépendance modifie la signification de la comparaison de vitesse. La prévision par IA est peu coûteuse après l’initialisation, mais son entrée a nécessité un vaste système opérationnel pour être produite.

Cette relation ressemble à celle d’un coureur rapide recevant le témoin d’un processus plus lent et plus élaboré. Supprimer la première étape laisserait le coureur sans point de départ fiable.

AIFS-COMPO est donc un modèle de prévision, et non encore un système de prévision complet. ECMWF précise explicitement qu’il n’effectue pas d’assimilation de données.

Le modèle opérationnel produit également davantage de variables et fonctionne à une résolution spatiale plus élevée. Les données de comparaison pour IFS-COMPO utilisent une grille d’environ 40 kilomètres, contre environ 80 kilomètres pour AIFS-COMPO.

La résolution influe sur l’interprétation locale. Un champ global étendu peut représenter un panache de fumée transporté tout en manquant les écarts de concentration plus marqués près des villes, des routes ou des incendies.

Le système d’IA ne dispose pas non plus de flux de dépôt, qui décrivent le transfert de matière de l’atmosphère vers la surface. Il représente moins d’espèces chimiques qu’IFS-COMPO.

Ces omissions limitent la substitution directe. Les utilisateurs qui dépendent d’une variable absente ne peuvent pas la reconstituer à partir de prévisions plus rapides d’une autre grandeur.

Le modèle pertinent à court terme est donc hybride. L’assimilation fondée sur la physique établit l’état de l’atmosphère, tandis que l’IA réalise la prédiction prospective rapide.

Cette répartition pourrait préserver les atouts des systèmes établis en matière de traitement des observations tout en réduisant le coût de prévisions répétées. Elle maintient aussi une référence physique disponible à des fins de comparaison.

Cette approche pousse les programmes de prévision conventionnels à justifier les domaines où une simulation coûteuse apporte une valeur essentielle. Elle ne rend pas ces simulations obsolètes.

Elle déplace plutôt la question de la performance d’un score d’exactitude unique vers un compromis plus large. Les agences doivent évaluer ensemble la rapidité, l’horizon de prévision, la résolution, la couverture des variables, la fiabilité et le comportement lors d’événements inhabituels.

Le modèle d’IA de CAMS conserve les limites de son enseignant

AIFS-COMPO apprend d’un système fondé sur la physique : reproduire ce système peut donc en reproduire les forces comme certaines erreurs.

L’entraînement sur les données de CAMS fournit à AIFS-COMPO deux décennies de champs mondiaux cohérents. Il rend également le modèle dépendant des choix intégrés à cet ensemble de données.

La réanalyse n’est pas une observation directe. C’est une reconstruction guidée par un modèle, obtenue en combinant les mesures disponibles avec des hypothèses physiques.

Des observations clairsemées peuvent donner au modèle davantage d’influence sur l’état reconstruit. Cette question devient importante pour les polluants dont la couverture est limitée ou les émissions mal caractérisées.

Le système d’IA peut apprendre des relations récurrentes dans cette histoire reconstruite. Il ne peut pas déterminer automatiquement si chaque relation reflète la nature, une approximation de modélisation ou un biais persistant des données.

Des observations indépendantes offrent le test le plus solide contre cette circularité. L’équipe de recherche a évalué les prévisions de 2024 à l’aide de plusieurs réseaux de surveillance des aérosols, des particules, des gaz réactifs et de l’ozone.

Cette évaluation est plus instructive qu’une simple mesure de l’accord avec l’analyse CAMS. Elle examine si les prédictions correspondent à des instruments qui ne servaient pas de cible de prévision.

Les premiers résultats étaient contrastés au sens scientifique utile du terme. AIFS-COMPO a égalé ou amélioré IFS-COMPO pour certaines variables, tout en restant compétitif pour d’autres.

La profondeur optique des aérosols et les particules figuraient parmi les domaines les plus solides rapportés. Les performances dans chaque lieu, chaque saison, chaque espèce chimique et chaque événement extrême restent moins certaines.

La durée limitée de l’évaluation mérite attention. Une année peut couvrir de nombreuses conditions, mais les services atmosphériques opérationnels doivent fonctionner dans des climats changeants et face à des événements rares.

Les émissions variables dans le temps constituent une autre lacune. La configuration actuelle d’AIFS-COMPO ne les accepte pas explicitement comme entrées de forçage.

Une entrée de forçage fournit des informations qui entraînent directement les évolutions futures, comme des émissions de feux de forêt mises à jour. Sans cela, un modèle doit inférer le comportement futur à partir de son état initial et des tendances apprises.

Cette conception peut fonctionner lorsqu’un événement évolue comme des exemples connus. Elle devient moins fiable lorsque les émissions changent brusquement après l’initialisation.

Un feu de forêt peut s’intensifier, un volcan peut entrer en éruption ou un accident industriel peut libérer de la matière de manière inattendue. Les tendances historiques seules ne peuvent pas spécifier pleinement ces nouvelles émissions.

ECMWF travaille à intégrer des données sur les incendies provenant du Global Fire Assimilation System. L’institution étudie aussi d’autres ensembles de données d’émissions et des observations atmosphériques directes.

Ces ajouts rendraient le modèle plus réactif aux événements en cours. Ils compliqueraient également son architecture et ses exigences de validation.

La résolution spatiale plus faible du système actuel crée une autre contrainte. Une grille de 80 kilomètres peut soutenir la prévision mondiale sans résoudre chaque gradient de pollution urbaine.

Les systèmes de prévision régionaux nécessitent souvent des grilles plus fines et des inventaires locaux d’émissions. Ils peuvent aussi intégrer des stations de surveillance dont la couverture varie fortement d’une ville à l’autre.

Une prévision mondiale par IA pourrait fournir des conditions aux limites à ces systèmes. Elle ne doit pas être confondue avec une estimation de l’exposition à l’échelle d’une rue.

Les utilisateurs de prévisions ont également besoin d’informations sur l’incertitude. Un champ déterministe unique peut sembler précis, même lorsque son niveau de confiance varie selon les régions et les échéances.

Les graphiques de prévision publics rendent les résultats expérimentaux accessibles, mais les graphiques seuls n’établissent pas la confiance opérationnelle.

Les agences auront besoin d’une vérification soutenue par rapport à des instruments indépendants. Elles auront aussi besoin d’un comportement documenté durant les tempêtes de poussière, les feux de forêt, les épisodes d’ozone et les émissions inattendues.

Le point sceptique le plus important n’est donc pas que l’IA ignore la physique. Le modèle absorbe indirectement la physique par les données d’entraînement générées par CAMS et les analyses initialisées.

La question est de savoir si cette représentation indirecte reste fiable hors de conditions familières. Les événements rares et les changements rapides de source offrent les tests les plus clairs.

Le positionnement même d’ECMWF reflète cette incertitude. Laurence Rouil, directrice de CAMS, a déclaré que le système opérationnel reste la référence en matière d’exactitude et de fiabilité.

Cette reconnaissance empêche la publication de devenir une affirmation prématurée de remplacement. Elle inscrit AIFS-COMPO dans un programme d’évaluation comportant des lacunes précises et connues.

La physique et l’IA deviennent une même pile de prévision

L’issue probable n’est pas une compétition où le gagnant rafle tout, mais un système stratifié où les modèles physiques, les observations et l’IA remplissent des tâches différentes.

Les modèles fondés sur la physique conservent plusieurs avantages structurels. Leurs équations représentent explicitement les mécanismes, acceptent des émissions changeantes et peuvent prendre en charge des variables absentes des systèmes appris.

Ils fournissent également les analyses utilisées pour initialiser AIFS-COMPO. Ce rôle restera central tant qu’un système d’IA ne pourra pas assimiler des observations hétérogènes avec une fiabilité comparable.

Les modèles d’IA offrent un avantage différent. Ils peuvent exécuter des prévisions assez rapidement pour étendre l’horizon, augmenter la taille des ensembles et raccourcir les cycles d’expérimentation.

Une pile de prévision stratifiée pourrait combiner ces propriétés. Un système physique assimilerait les observations et maintiendrait un état atmosphérique complet.

Un ou plusieurs modèles d’IA pourraient ensuite produire des prévisions rapides à partir de cet état. Les prévisions numériques continueraient de servir de références, de solutions de repli et de sources pour les variables hors du modèle d’IA.

Des modèles régionaux spécialisés pourraient ajouter des détails locaux. Les prévisionnistes humains et les agences environnementales interpréteraient les éléments combinés pour éclairer les décisions publiques.

Cette organisation crée également une concurrence productive. Si un modèle d’IA égale à plusieurs reprises un calcul coûteux, les chercheurs peuvent examiner quelles parties de ce calcul restent nécessaires.

S’il échoue lors d’un événement inhabituel, cet échec peut révéler des entrées manquantes ou des processus faiblement représentés. Les deux résultats contribuent au développement des modèles.

AIFS-COMPO arrive dans un domaine en expansion de modèles appris du système Terre. Les systèmes axés sur la météo ont déjà modifié les attentes en matière d’efficacité informatique.

La composition atmosphérique étend ce test à un domaine doté d’une chimie complexe et d’une couverture d’observation moins complète. Le succès dans ce domaine soutiendrait la prévision par IA au-delà des variables météorologiques standard.

Les conséquences pourraient s’étendre à la surveillance du climat, à l’analyse des gaz à effet de serre et aux interventions d’urgence. Chaque domaine exigerait néanmoins sa propre validation et sa propre conception des entrées.

Le système pourrait aussi élargir l’accès à la recherche sur la prévision atmosphérique. Un modèle qui fonctionne sur un GPU est plus facile à tester qu’une simulation mondiale de chimie nécessitant des milliers de processeurs.

L’accès demeure toutefois incomplet. ECMWF indique que les données sous-jacentes d’AIFS-COMPO deviendront disponibles après validation et maturation supplémentaires.

Les graphiques publics permettent aux utilisateurs d’examiner les résultats, mais les chercheurs ont besoin de champs téléchargeables pour une évaluation indépendante. Ils ont également besoin d’une documentation couvrant les versions du modèle, les données d’entraînement et les limites connues.

L’utilisation des outils de prévision Anemoi offre une voie vers la reproductibilité. Anemoi est un cadre open source co-développé par ECMWF et des services météorologiques nationaux.

Des outils ouverts ne rendent pas automatiquement disponibles un modèle entraîné ni son ensemble de données complet. Ils peuvent néanmoins aider d’autres institutions à étudier l’architecture générale.

La pression concurrentielle s’exerce donc des deux côtés. Les modèles conventionnels doivent démontrer où leurs calculs supplémentaires améliorent les décisions.

Les développeurs d’IA doivent démontrer leur fiabilité au-delà de critères de référence sélectionnés. Ils doivent aussi expliquer les dépendances faciles à dissimuler derrière des chiffres d’inférence rapide.

Pour les agences publiques, une prévision moins coûteuse n’a de valeur que si sa qualité est mesurable. Un horizon plus long n’importe que si les utilisateurs comprennent comment la confiance évolue dans le temps.

AIFS-COMPO rend ces questions opérationnelles plutôt que théoriques. Ses graphiques offrent désormais aux prévisionnistes et aux chercheurs un produit expérimental en direct à suivre.

À surveiller alors qu’AIFS-COMPO dépasse le stade de démonstration

Trois signaux détermineront si AIFS-COMPO devient un composant opérationnel : la validation indépendante, les émissions en temps réel et un accès exploitable aux données.

Le premier signal est une vérification soutenue lors d’événements atmosphériques spécifiques. ECMWF a déjà cité des résultats sur les aérosols, les particules et l’ozone issus de son évaluation initiale.

Les prochaines preuves devraient couvrir davantage de saisons et d’épisodes inhabituels. Les grands feux de forêt, les panaches volcaniques, les épisodes de poussière, les événements de pollution urbaine et les changements stratosphériques rapides méritent une analyse distincte.

Un modèle performant dans des conditions ordinaires peut encore échouer lorsque de nouvelles émissions dominent la prévision. Une vérification au niveau des événements renforcerait l’argument en faveur d’un usage opérationnel.

Des résultats faibles ou incohérents affaibliraient les affirmations de remplacement sans éliminer la valeur du modèle pour la recherche. Ils pourraient révéler les domaines nécessitant une correction hybride ou des entrées spécialisées.

Le deuxième signal est l’intégration d’émissions de feux et d’autres émissions variables dans le temps. ECMWF indique que des travaux sont en cours pour ajouter des informations provenant de son système d’assimilation des feux.

Ce changement traiterait l’une des limitations les plus évidentes du modèle actuel. Il permettrait aux émissions futures d’influencer les prévisions au lieu de laisser le modèle les inférer à partir d’états antérieurs.

Le test important sera de savoir si les nouvelles entrées améliorent les événements à évolution rapide sans dégrader les performances ordinaires. Les chercheurs devront aussi expliquer comment des données d’émissions manquantes ou retardées affectent les prévisions.

Le troisième signal est la publication des données de prévision sous-jacentes et d’outils d’évaluation plus complets. Des résultats téléchargeables permettraient aux universités, aux agences et aux scientifiques indépendants de tester les performances régionales.

La validation externe peut révéler des faiblesses que les moyennes mondiales masquent. Elle peut aussi montrer si les prévisions à 10 jours restent utiles pour des polluants et des lieux spécifiques.

Le statut opérationnel exigerait davantage que des données publiques. Les utilisateurs devraient suivre les calendriers de service documentés, les versions de modèles stables, les produits d’incertitude et l’intégration dans les flux de travail CAMS établis.

L’horizon de prévision n’est pas, à lui seul, le score final. Une alerte fiable à six jours peut avoir une grande importance, tandis qu’une carte instable à dix jours peut créer un faux sentiment de confiance.

La véritable contribution d’AIFS-COMPO est de démontrer de manière crédible que la prévision mondiale de la composition atmosphérique peut emprunter une voie de calcul bien plus rapide. Ses limites montrent pourquoi le système existant reste important.

Les chercheurs, les agences de santé publique et les équipes chargées des données environnementales devraient comparer les graphiques expérimentaux aux observations locales et aux prévisions opérationnelles de CAMS. L’attention doit porter sur les événements difficiles plutôt que sur des cartes de routine visuellement convaincantes.

Cette comparaison répondra à la question décisive : ECMWF AIFS-COMPO peut-il conserver des compétences utiles lorsque les émissions évoluent rapidement et que l’atmosphère se comporte différemment de ce que son historique d’entraînement prévoit ?