Google DeepMind affirme que WeatherNext réalise une percée dans la prévision des cyclones
Points clés
- •Le modèle d’IA WeatherNext de Google DeepMind fournit plus de 24 heures de délai prédictif supplémentaire pour la prévision de la trajectoire, de l’intensité et de la structure des vents des cyclones.
- •Le modèle a été entraîné sur près de 20 terabytes de données atmosphériques mondiales, combinées à des archives historiques couvrant environ 5,000 tempêtes passées.
- •Pendant la saison des ouragans 2025, WeatherNext a aidé le National Hurricane Center à prévoir l’intensification rapide de l’ouragan Melissa et son atterrissage en Jamaïque, permettant une alerte anticipée.
- •Google DeepMind publie en open source le code et les poids des modèles WeatherNext 2 et WeatherNext Cyclones, ainsi qu’une version compacte WeatherNext 2-mini pouvant s’exécuter sur une seule TPU.
- •Le modèle atteint cette précision avec des données à une résolution de 28x28 kilomètres, soit environ 100 fois plus grossière que les systèmes traditionnels de prévision des cyclones.
Google DeepMind affirme que WeatherNext réalise une percée dans la prévision des cyclones
Équipe WeatherNext
WeatherNext permet des prévisions précises des cyclones, pouvant offrir un jour de préavis supplémentaire. Google DeepMind publie désormais le modèle en open source.
Prévoir l’évolution de cyclones dangereux est depuis longtemps un défi où chaque heure compte. Les cyclones tropicaux — aussi appelés ouragans ou typhons — comptent parmi les phénomènes météorologiques les plus destructeurs sur Terre, responsables de plus de 700,000 décès et de $1.4 trillion de pertes économiques à l’échelle mondiale au cours des 50 dernières années. Pour les prévisionnistes, émettre des alertes rapides et précises est une course permanente contre la montre. Les Nations Unies ont fait des systèmes d’alerte précoce une priorité mondiale dans le cadre de l’initiative Early Warnings for All, qui vise à ce que chaque personne sur Terre soit protégée par des systèmes d’alerte aux dangers d’ici 2027.
Aujourd’hui, dans un article publié dans Nature, Google DeepMind a indiqué que son modèle d’IA WeatherNext avait atteint une précision de pointe pour prédire la trajectoire, l’intensité et la structure des vents d’un cyclone. En moyenne, le modèle offre aux prévisionnistes une journée supplémentaire de précision prédictive : ses prévisions à trois jours sont aussi bonnes que ce que les modèles précédents pouvaient fournir pour seulement les deux jours suivants. L’entreprise a indiqué qu’un tel niveau d’amélioration équivaut approximativement à une décennie de progrès météorologiques. WeatherNext s’appuie sur les modèles d’IA météorologiques antérieurs de Google, GraphCast et GenCast, en prolongeant cette ligne de recherche pour se concentrer spécifiquement sur les cyclones tropicaux.
Ce travail a réuni des chercheurs et des ingénieurs en IA de Google DeepMind et Google Research, ainsi que des prévisionnistes experts du National Hurricane Center (NHC), du Cooperative Institute for Research in the Atmosphere (CIRA), du UK Met Office et d’agences météorologiques du monde entier.
Google a indiqué que ces recherches ont déjà eu un impact concret. Au cours de la saison des ouragans 2025, le modèle a aidé le NHC à établir une prévision historique pour l’ouragan Melissa en prédisant son intensification rapide et son atterrissage en Jamaïque. Cela a permis au NHC d’émettre une alerte anticipée, donnant aux équipes sur le terrain un temps critique pour se préparer. Cette année, les équipes continuent de travailler ensemble et prévoient désormais 1,000 scénarios possibles pour chaque cyclone afin d’aider les prévisionnistes dans leur prise de décision.
Le temps concerne tout le monde. En raison de cet impact étendu, Google DeepMind publie en open source ses modèles WeatherNext 2 et WeatherNext Cyclones utilisés pendant la saison des ouragans. En rendant cette technologie librement accessible, l’entreprise a déclaré espérer soutenir la communauté de recherche et renforcer le rôle de l’IA dans la construction de communautés plus résilientes — notamment en aidant les prévisionnistes locaux à se préparer aux catastrophes naturelles, en soutenant le développement des énergies renouvelables et en anticipant les phénomènes météorologiques extrêmes.
Comment WeatherNext prévoit le temps et les cyclones
À partir des conditions atmosphériques mondiales observées pendant l’ouragan Milton en October 2024, WeatherNext Cyclones prédit de manière itérative à la fois les schémas météorologiques mondiaux et les trajectoires de cyclones à fine échelle jusqu’à 15 jours à l’avance. L’exécution d’un ensemble de 1,000 membres génère des cartes de probabilité localisées des vents allant de la tempête tropicale aux vents de force ouragan.
La prévision des cyclones a traditionnellement imposé un compromis entre deux approches de modélisation distinctes. La trajectoire d’un cyclone — c’est-à-dire sa destination — est guidée par de vastes courants atmosphériques mondiaux, qui ont jusqu’à présent été mieux modélisés par des modèles globaux plus grossiers. En revanche, l’intensité d’un cyclone — c’est-à-dire sa puissance — dépend de processus thermodynamiques localisés et à fine échelle autour de son noyau, qui sont mieux modélisés par des modèles locaux spécialisés à plus haute résolution.
Notre modèle WeatherNext comble cet écart en améliorant les prévisions à la fois pour le temps global et pour les cyclones. Il s’agit d’un seul modèle d’IA qui prédit la trajectoire, l’intensité et la structure des vents d’un cyclone tropical avec une précision de pointe. Il atteint cette percée grâce à une combinaison unique de son entraînement, de son architecture et de son approche des entrées à faible résolution.
Nous avons évalué WeatherNext Cyclones sur des cyclones historiques de 2023 à 2024, en comparant ses performances déterministes et probabilistes à celles d’autres grands modèles météorologiques. En moyenne, WeatherNext Cyclones gagne plus d’une journée complète (24 hours) d’avance pour la prévision de la trajectoire, de l’intensité et de la structure des vents des cyclones.
Le modèle a été co-entraîné sur deux modalités de données distinctes : la dynamique météorologique mondiale et des observations historiques de cyclones sélectionnées par des experts. En l’entraînant de bout en bout sur près de 20 terabytes de données atmosphériques mondiales et sur la base historique IBTrACS couvrant près de 5,000 tempêtes historiques, le modèle apprend des schémas atmosphériques complexes ainsi que la manière de modéliser les phénomènes météorologiques extrêmes.
La précision des prévisions de cyclones a progressé régulièrement au cours des dernières décennies. Les graphiques montrent la précision à 3 jours des prévisions de trajectoire ECMWF-ENS (a) et des prévisions d’intensité HWRF (b) au fil des ans, ainsi que la manière dont WeatherNext Cyclones constitue une rupture dans la précision, tant pour la trajectoire que pour l’intensité. Cette amélioration équivaut à environ une décennie de progrès selon les tendances observées au cours des 20 dernières années.
Notre modèle utilise des Functional Generative Networks (FGNs) pour produire efficacement des ensembles de prédictions différentes, ce qui permet de capturer l’incertitude intrinsèque du temps. Nous pouvons désormais générer une prévision unique à 15 jours en moins d’une minute sur une TPU, ce qui permet aux prévisionnistes d’évaluer rapidement la distribution de probabilité des risques de queue potentiellement dévastateurs. L’an dernier, notre système produisait 50 prédictions à la fois, à l’échelle des modèles physiques mondiaux. Cette année, nous avons porté la taille de l’ensemble à 1,000 membres, capturant des scénarios rares mais importants, comme les épisodes d’intensification rapide survenus lors de l’ouragan Melissa en 2025.
Jusqu’à présent, l’utilisation d’une très haute résolution spatiale était généralement considérée comme le principal facteur permettant d’obtenir des prévisions d’intensité précises. Pourtant, WeatherNext Cyclones n’a besoin que de données à une résolution de 28x28km, soit 100x plus grossière que celle des modèles traditionnels. Une version plus petite du modèle, WeatherNext 2-mini, qui fonctionne à une résolution encore plus grossière de 111x111km, affiche également de très bonnes performances. Cela a surpris les scientifiques, et il reste une question de recherche ouverte de comprendre pleinement comment nos modèles produisent des prévisions aussi précises à cette résolution. Nous espérons que, вместе avec la communauté de recherche, nous pourrons le découvrir.
Ouvrir WeatherNext à la communauté de recherche
En parallèle de notre article dans Nature, nous publions en open source le code et les poids du modèle, les rendant librement accessibles à toute personne souhaitant s’en servir. Cela inclut la recherche académique, la prévision opérationnelle ou le développement de modèles plus spécialisés et localisés. Nous espérons accélérer les progrès dans l’ensemble de la communauté météorologique mondiale et donner aux agences météorologiques, aux chercheurs et aux organisations à but non lucratif de meilleurs moyens de prévoir les événements météorologiques de toutes sortes et de prendre des décisions clés pour protéger les vies et les infrastructures.
Nous publions également deux ensembles de modèles similaires : WeatherNext Cyclones, qui a fonctionné pendant la saison des ouragans (les résultats peuvent être consultés dans l’article) ; et WeatherNext 2, une mise à jour ultérieure que nous avons mise en service en October. En outre, nous publions WeatherNext 2-mini, une version compacte du modèle qui peut s’exécuter sur une seule TPU dans un notebook Colab public gratuit.
Vous pouvez également explorer nos dernières prévisions de cyclones sur Weather Lab, que nous avons récemment remis à jour avec une nouvelle interface et étendu pour inclure les prévisions météorologiques mondiales en plus des trajectoires des cyclones. Weather Lab permet désormais de visualiser les prédictions WeatherNext pour la température, les précipitations, la vitesse du vent et plus encore, dans une seule vue. Weather Lab et les modèles WeatherNext font tous deux partie de Google Earth AI.
Repousser les frontières de l’IA pour la prévision météorologique
Nous avons réalisé une percée historique en gagnant plus d’une journée d’avance pour prévoir les cyclones — une avancée équivalente à une décennie de progrès météorologiques. Alors que nous nous préparons aux futures saisons de tempêtes, nous invitons les chercheurs, les agences météorologiques et les experts à collaborer avec nous, à s’appuyer sur nos modèles open source et à explorer nos prévisions sur Weather Lab.
En combinant l’apprentissage automatique avancé avec l’expertise indispensable des prévisionnistes humains sur le terrain, nous visons à créer un écosystème collaboratif de prévision météorologique capable de sauver des vies et d’aider les communautés à s’adapter à un climat qui change.
Note : pour les prévisions et alertes météorologiques officielles, veuillez vous référer à votre agence météorologique locale ou à votre service météorologique national.
Remerciements
Cette recherche a été co-développée par les équipes de Google DeepMind et de Google Research.
Nous remercions nos collaborateurs du NOAA/NWS/NCEP National Hurricane Center, du Cooperative Institute for Research in the Atmosphere (CIRA) et du UK Met Office pour leur partenariat et leurs contributions à l’article.
Ce travail reflète les contributions des co-auteurs de l’article : Ferran Alet, Tom Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi, Dominic Masters, Amy Li, Samier Merchant, Natalie Williams, Gregory Thornton, Ken MacKay, Olivia Graham, Akib Uddin, Ben Gaiarin, Devaja Shah, Elinor Kruse, Wallace Hogsett, David Zelinsky, John Cangialosi, Jonathan Martinez, James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain, Helen Titley, Jacklynn Stott, Remi Lam, Aaron Bell, Paul Komarek, Matthew Willson, Alvaro Sanchez-Gonzalez et Peter Battaglia.
