Sabotage des données météo : la surface d'attaque climatique entre dans le radar

In plain terms

Les données météo - capteurs au sol, radiosondages, radars, satellites - alimentent aujourd'hui bien plus que les bulletins télé. Trading énergie, itinéraires aériens, grid, agriculture de précision, et de plus en plus, des modèles IA de prévision (GraphCast, Pangu-Weather, WITT côté urbain, #1044). MIT Technology Review documente au 17 juillet 2026 la montée du risque de sabotage de cette chaîne - physique et logicielle.

Contexte

L'infrastructure d'observation météo est un patchwork public-privé vieux de plusieurs décennies. Les stations au sol sont peu défendues, souvent sans authentification forte des flux, et les protocoles d'échange (WMO Information System, GTS) supposent une confiance implicite. Or les mêmes données servent maintenant : régulateurs (grid), traders (spot énergie, ag), assureurs (paramétriques), et modèles IA entraînés sur des historiques ouverts.

Ce qui change

Le risque n'est plus « la panne de la station » mais l'injection sélective : quelques capteurs biaisés qui décalent une prévision d'orage, un signal grid, un déclenchement d'assurance paramétrique. À l'ère IA, ce risque monte d'un cran - un modèle appris sur des données empoisonnées propage l'erreur bien au-delà de la station.

Ce qui est concret aujourd'hui

• Physique : capteurs isolés, sans télésurveillance, où une intrusion locale suffit.
• Chaîne : peu ou pas de signatures cryptographiques sur les flux inter-agences.
• IA : la couche « nowcasting IA » consomme les mêmes données brutes qu'un modèle numérique, sans détection d'anomalie systématique en entrée.

Scénarios

• Le plus probable : incidents isolés, difficiles à distinguer d'une panne de capteur. Le vrai enjeu est la remontée en confiance après.
• Le plus dur : sabotage coordonné multi-sites autour d'un événement extrême (ouragan, blackout) - décalage suffisant pour biaiser une décision opérationnelle.
• Le plus utile pour attaquant sophistiqué : attaque data-supply-chain - empoisonner l'historique d'entraînement des modèles IA météo.

Les garde-fous

Signatures des flux, redondance croisée (satellite / sol / privé), détection d'anomalie côté opérateur météo, obligation d'audit pour les modèles IA qui alimentent des systèmes critiques. Rien de tout cela n'est en place à l'échelle.

So what

Le sabotage météo est le rappel utile : la chaîne d'approvisionnement des données IA commence avant le dataset. Toucher la sonde, c'est toucher tout ce qui en dépend. À intégrer dans les mappings de risque data-supply-chain - au même rang que les scandales dataset et les backdoors modèle.