Cet article aborde la question de la stabilité des prévisions à long terme utilisant des modèles météorologiques à grande échelle (LWM). Alors que les modèles de pointe existants atteignent une stabilité interannuelle en transformant les données d'entrée en domaines spatiaux non standard, tels que les harmoniques sphériques ou les maillages HEALPix, cet article démontre que des performances similaires peuvent être obtenues sur une grille latitude-longitude standard. Nous proposons AtmosMJ, un réseau neuronal convolutionnel profond qui traite directement les données ERA5. Ce réseau génère des prévisions stables sur environ 500 jours en empêchant l'accumulation d'erreurs grâce à un nouveau mécanisme de fusion résiduelle à portes (GRF). AtmosMJ atteint une précision de prévision à 10 jours comparable à celle de modèles tels que Pangu-Weather et GraphCast, tout en s'entraînant avec un faible coût de 5,7 jours sur un GPU V100. Cela démontre qu'une conception d'architecture efficace, plutôt que des représentations de données non standard, est essentielle aux prévisions météorologiques à long terme.
