Cet article aborde la question de la stabilité des prévisions à long terme utilisant des modèles météorologiques à grande échelle (LWM). Les modèles existants, tels que SFNO et DLWP-HPX, obtiennent des prévisions stables à long terme en transformant les données d'entrée en domaines spatiaux non standard, tels que les fonctions harmoniques sphériques ou les maillages HEALPix. Cela a été considéré comme essentiel pour la cohérence physique et la stabilité à long terme. Dans cet article, nous remettons en question cette hypothèse et étudions si des performances de prévision à long terme similaires peuvent être obtenues sur une grille latitude-longitude standard. Pour y parvenir, nous proposons AtmosMJ, un réseau neuronal convolutif profond qui traite directement les données ERA5. AtmosMJ utilise un nouveau mécanisme de fusion résiduelle (GRF) pour prévenir l'accumulation d'erreurs et assurer la stabilité des simulations récursives à long terme. Les résultats expérimentaux démontrent qu'AtmosMJ génère des prévisions stables et physiquement plausibles pour environ 500 jours, et est compétitif par rapport à des modèles tels que Pangu-Weather et GraphCast en termes de précision des prévisions à 10 jours. Il convient également de noter que ces résultats ont été obtenus en un temps d'entraînement court de 5,7 jours avec un GPU V100. En conclusion, cet article suggère qu'une conception architecturale efficace, plutôt que des représentations de données non standardisées, est la clé pour garantir la stabilité et l'efficacité de calcul des prévisions météorologiques à long terme.
