Les prévisions météorologiques constituent des outils essentiels à la prise de décision. Au cours des dernières décennies, ces prévisions reposaient sur la résolution d’ensembles complexes d’équations différentielles partielles ainsi que sur des modèles de fermeture couvrant de multiples échelles temporelles et spatiales. Récemment, les avancées en matière de technologies d’apprentissage automatique ont donné naissance à des émulateurs météorologiques fondés sur l'IA, capables de produire des prévisions performantes à un coût de calcul réduit. Cependant, ces modèles météorologiques basés sur les données ne prédisent qu’un sous-ensemble limité de variables météorologiques. L’objectif de ce travail est de compléter les modèles météorologiques basés sur l’IA afin de prédire des variables météorologiques d’intérêt actuellement manquantes. Nous adoptons une approche fondée sur les données, dans laquelle des modèles basés sur l'IA sont développés à l'aide d'hypothèses concernant les dépendances spatiales et temporelles. Les capacités de généralisation du modèle dans le temps et dans l'espace sont évaluées à l’aide de deux métriques : l'erreur quadratique moyenne pondérée et l’indice de similarité structurelle des images. Les erreurs du modèle sont ensuite étudiées plus en détail en calculant leurs corrélations spatiales et temporelles. Une analyse spectrale des prédictions est également réalisée. Finalement, nous effectuons une analyse de sensibilité afin d’identifier les paramètres pertinents du modèle.