---
title: "Pour concevoir la tempête de 300 mm, son modèle n’a jamais vu de tempête extrême"
locale: "fr"
url: "https://irz.fr/fr/articles/eta-learning-precipitation-fr"
markdown_url: "https://irz.fr/fr/articles/eta-learning-precipitation-fr.md"
category: "ai"
tags: ["IA", "événements extrêmes", "prévision", "modèle génératif", "climat"]
published_at: "2026-09-04T10:15:00.000Z"
author: "Hugo Marchal"
translation: "https://irz.fr/en/articles/eta-learning-precipitation-en.md"
---

# Pour concevoir la tempête de 300 mm, son modèle n’a jamais vu de tempête extrême

Un nouvel algorithme du MIT génère des scénarios d’événements extrêmes plausibles sans avoir appris sur un seul événement extrême. L’astuce, et ses limites, tiennent dans ce qui est imposé au modèle.

Comment dessiner la tempête qui n’a jamais existé ?

C’est la question que se posent des villes, des assureurs et des gestionnaires de réseau quand ils veulent savoir à quoi ressemblera la pluie tombant une fois par siècle. Le problème : ce genre d’événement ne figure quasiment jamais dans les relevés historiques utilisés pour entraîner les modèles.[1](https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824)

Un algorithme présenté cet été par des ingénieurs du MIT propose une réponse déconcertante : il n’a pas besoin d’avoir appris sur une catastrophe pour en générer des scénarios plausibles. La méthode, baptisée "Extreme Event Aware" ou η-learning, fait l’objet d’un article en accès libre publié fin août dans Nature Communications.[1](https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824)[2](https://www.nature.com/articles/s41467-026-76811-x) Mais le mécanisme est plus subtil que le titre du communiqué ne le laisse croire.[1](https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824)[3](https://arxiv.org/abs/2510.19161)

## Le défaut des données d’entraînement

Ça tombe mal pour les prévisions de risque. Les méthodes classiques partent d’un présupposé : pour anticiper un événement rare, il faut en avoir vu au moins un exemple auparavant.[3](https://arxiv.org/abs/2510.19161)

C’est compréhensible. Un réseau entraîné sur des pluies ordinaires devient très bon pour reproduire des pluies ordinaires. Mais dès qu’il faut extrapoler vers une intensité jamais enregistrée, il avoue son ignorance. Les recherches appellent ça de l’« incertitude épistémique » : le modèle ne devine pas, il admet qu’il ne sait pas.[3](https://arxiv.org/abs/2510.19161)

Les chercheurs l’établissent mathématiquement : l’erreur sur les extrêmes n’est pas un accident de réglage, elle découle de la structure même de l’estimation. Tant que la quantité de données reste sous un certain seuil, un estimateur qui colle bien aux régions fréquentes produit automatiquement des erreurs importantes dans la queue de distribution, là où vivent les extrêmes.[3](https://arxiv.org/abs/2510.19161)

Pour reprendre l’exemple du communiqué : si la pluie maximale jamais mesurée à New York est de 200 millimètres, comment imaginer la tempête qui en déverse 300 ?[1](https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824)

## Imposer une statistique au lieu d’un exemple

L’idée de l’équipe est de ne plus contraindre le modèle par un événement, mais par une statistique.

Le réseau apprend d’abord, comme d’habitude, à transformer une carte basse résolution en carte détaillée grâce à quelques mois de données. À cet apprentissage standard s’ajoute une régularisation : la distribution statistique que le modèle produit, projetée sur un observateur bien choisi, doit ressembler à une distribution de référence décrivant les événements extrêmes.[3](https://arxiv.org/abs/2510.19161)

Cet observable, c’est par exemple le maximum de précipitation sur la carte. La référence, elle, peut venir de l’analyse asymptotique, de données non étiquetées, ou même d’une hypothèse de distribution comme une loi généralisée des valeurs extrêmes (GEV).[3](https://arxiv.org/abs/2510.19161)

Concrètement, l’algorithme fait deux choses à la fois. Il apprend la relation physiquement plausible entre une carte basse résolution et sa version détaillée (c’est le rôle de l’apprentissage supervisé). En parallèle, il force la statistique du maximum qu’il produit à coller à la référence (c’est le rôle de la régularisation).[3](https://arxiv.org/abs/2510.19161)

Le terme mathématique utilisé est la distance de Wasserstein, version 1. Elle est choisie parce qu’elle reste finie et stable même quand les queues de deux distributions ne se chevauchent que très mal, ce qui n’est pas le cas d’autres mesures comme la divergence de Kullback-Leibler.[3](https://arxiv.org/abs/2510.19161)

## Ce que montrent les tests

Pour valider l’approche, les chercheurs ont choisi un terrain concret : générer des cartes de précipitations extrêmes sur l’ensemble des États-Unis continentaux.[3](#ref-3]

Ils sont partis de 25 ans de données horaires, agrégées par jour. La partie supervisée n’utilise que les six premiers mois à haute résolution, une période qui contient peu ou pas d’événements extrêmes. C’est précisément le but : montrer qu’on n’en a pas besoin.[3](https://arxiv.org/abs/2510.19161)

Le résultat est un compromis, et l’article ne le cache pas. Sur l’ensemble des cartes, l’erreur du modèle η est légèrement plus élevée que celle d’un modèle standard : le RMSE passe de 2,878 à 3,112, soit environ 8 % de plus. Dans le même temps, la qualité visuelle des cartes reste presque identique, avec un indice SSIM qui ne perd que quelques millièmes.[3](https://arxiv.org/abs/2510.19161)

Là où le modèle η surclasse nettement, c’est sur les cartes extrêmes. Le modèle standard, confronté à une sollicitation rare, s’effondre vers une prédiction banale. Le modèle η, lui, continue de produire des champs de forte intensité statistiquement cohérents.[3](https://arxiv.org/abs/2510.19161)

## Le piège du mot « plausible »

C’est ici que la lecture honnête du papier devient importante. « Plausible » ne veut pas dire « certain d’arriver ici, à tel moment ».

Les auteurs le disent explicitement : la régularisation impose la statistique d’un observable, pas la localisation spatiale, le moment ni le mécanisme physique de l’événement.[3](https://arxiv.org/abs/2510.19161)

Concrètement, le modèle peut générer un extrême à un endroit où la réalité n’en a jamais produit. Dans l’analyse des images, les auteurs montrent que le modèle η produit des événements à forte amplitude « avec une localisation spatiale imparfaite », et acceptent ce comportement comme probabiliste plutôt que comme une erreur.[3](https://arxiv.org/abs/2510.19161)

Cela change la façon d’utiliser le résultat. Une telle carte ne dit pas « voici où la tempête tombera ». Elle dit « voici un échantillon cohérent avec le niveau de risque que vous avez demandé ». Pour dimensionner une digue ou dimensionner un réseau, c’est utile. Pour évacuer une ville le jour J, ça ne suffit pas.[3](https://arxiv.org/abs/2510.19161)

Les auteurs le reconnaissent d’ailleurs : si un mécanisme mal choisi pour la distribution de référence est faux, l’erreur se transmet directement aux événements générés. Et deux configurations physiques différentes qui produisent la même statistique ne sont pas distinguables par cette méthode.[3](https://arxiv.org/abs/2510.19161)

## Une statistique ne remplace pas un événement

La phrase « générer des événements extrêmes sans données extrêmes » est vraie, mais elle demande une lecture attentive.

Elle ne veut pas dire que le modèle fonctionne sans aucune information sur les extrêmes. Elle veut dire que cette information n’arrive plus sous forme d’un exemple isolé, mais sous forme d’une statistique : une distribution de référence injectée pendant l’entraînement.

C’est une distinction que la couverture rapide du sujet tend à effacer, et pourtant elle change tout.[1](https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824)[3](https://arxiv.org/abs/2510.19161)

Un planificateur qui veut savoir à quoi ressemble une pluie centennale obtient une famille de scénarios statistiquement plausibles. Il n’obtient pas une prédiction précise d’un lieu et d’une date. La méthode réduit une forme d’incertitude — l’ignorance des extrêmes — sans transformer la prédiction en certitude ponctuelle.

En ce sens, l’η-learning illustre une leçon qui dépasse la météo : contraindre un modèle par des statistiques peut remplacer le manque d’exemples, mais cela impose au résultat une limite claire — il est calibré en distribution, pas précis en événement.

## References

1. [MIT News, Generating scenarios for extreme events without extreme data, 24 août 2026](https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824)
2. [Chang & Sapsis, Extreme Event Aware (η-) Learning, Nature Communications, 20 août 2026](https://www.nature.com/articles/s41467-026-76811-x)
3. [Chang & Sapsis, Extreme Event Aware (η-) Learning, arXiv:2510.19161v2](https://arxiv.org/abs/2510.19161)