Google DeepMind et Google Research ont présenté WeatherNext 3, décrit comme le modèle météorologique mondial le plus avancé et le plus précis à ce jour selon les évaluations en temps réel indépendantes menées par Brightband. Ce modèle phare de prévision par IA intègre des données satellitaires en temps réel, des actualisations horaires, une résolution plus élevée, des prévisions de précipitations précises et de nouvelles variables liées aux énergies propres. Il est désormais intégré à Google Search, à l'application Gemini, à Google Maps, à Google Maps Platform et à Google Cloud.

Chaque jour, la météo influence des milliards de décisions. Certaines sont aussi simples que de prendre un parapluie avant de sortir, mais d'autres ont des conséquences bien plus importantes. Le vent, la pluie et les phénomènes météorologiques extrêmes, comme les vagues de chaleur et les sécheresses, ont des impacts en cascade sur l'agriculture, les chaînes d'approvisionnement mondiales, la production d'énergies propres et les économies nationales.

Ces dernières années, l'IA a révolutionné la prévision météorologique, en utilisant des données historiques pour produire des prédictions plus rapides et plus précises que les méthodes traditionnelles. GraphCast, développé par DeepMind et publié en 2023, a surpassé les systèmes numériques conventionnels sur de nombreux indicateurs et a contribué à établir l'apprentissage automatique comme un complément crédible à la prévision fondée sur la physique, aux côtés des efforts d'autres organisations telles que le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) et son modèle open-source AIFS. Cependant, la prévision de phénomènes météorologiques très localisés et en évolution rapide est restée un défi. Les modèles précédents manquaient souvent de résolution spatiale suffisante et avaient des difficultés à intégrer des données météorologiques en temps réel provenant de sources comme les satellites.

WeatherNext 3 apprend directement des observations en temps réel, ce qui lui permet de fournir des prédictions rapides et plus localisées pour les événements météorologiques qui touchent le plus les populations. En utilisant des données satellitaires brutes pour produire une prévision haute résolution toutes les heures, le modèle rend des prévisions fiables accessibles dans les produits Google partout dans le monde.

Une prévision météorologique rapide à une résolution sans précédent

L'utilité d'une prévision tient souvent aux détails — à la finesse avec laquelle elle résout à la fois le temps et l'espace. WeatherNext 3 génère des prévisions horaires à plusieurs résolutions spatiales, en maintenant une cohérence physique depuis les grands schémas de vents mondiaux jusqu'à la topographie locale.

Le modèle visualise les variables de surface clés, comme la température et l'humidité, à une résolution de 5 kilomètres, d'autres variables de surface à 10 kilomètres, et les variables atmosphériques, comme la vitesse du vent, à 25 kilomètres. Dans l'ensemble, cela offre une image météorologique mondiale environ cinq fois plus nette que celle de son prédécesseur, WeatherNext 2, qui produisait des prévisions sur une grille de 25 kilomètres par incréments de 6 heures.

Sur le plan architectural, WeatherNext 3 ingère des mosaïques satellitaires géostationnaires en direct à 1 heure en parallèle d'analyses historiques traditionnelles pour alimenter un seul transformateur de maillage Functional Generative Network (FGN) flexible. Il produit nativement des champs maillés denses, des trajectoires de cyclones discrètes et des prédictions éparses au niveau des stations.

Dans une comparaison de prévisions de température à 2 mètres au-dessus du Royaume-Uni, la résolution native de 5 kilomètres (0,05°) de WeatherNext 3 restitue la topographie locale complexe, évitant les représentations thermiques pixellisées et trop lissées produites par WeatherNext 2 à une résolution de 25 kilomètres (0,25°).

Des données du monde réel à une échelle mondiale continue

Le progrès le plus notable concerne les données à partir desquelles le modèle apprend. La plupart des modèles météorologiques d'IA, y compris WeatherNext 2, sont entraînés sur des données issues de modèles de prévision numérique du temps (NWP). Bien qu'utiles, ces modèles sont des simulations physiques complexes pilotées par des supercalculateurs, avec un décalage de six heures des données — un retard qui peut introduire des biais pour des variables à évolution rapide comme la pluie ou la température de surface.

En ingérant une mosaïque de données satellitaires géostationnaires mondiales en direct, WeatherNext 3 bénéficie d'une vue de l'atmosphère en constante actualisation. Cela permet au modèle de générer une nouvelle prévision chaque heure, chacune fondée sur les observations satellitaires les plus récentes disponibles, à une résolution allant jusqu'à 5 kilomètres.

Cette actualisation rapide est importante car les phénomènes météorologiques critiques se développent rapidement. Lorsque des tempêtes, des fronts ou des systèmes de précipitations se forment soudainement, le cycle d'actualisation horaire et la résolution plus élevée du modèle fournissent des informations plus précoces et plus détaillées pour appuyer une réponse efficace.

Certaines variables, comme la température et l'humidité, peuvent fluctuer de manière drastique sur quelques kilomètres seulement — ce qui est particulièrement pertinent pour les communautés situées près des côtes, des vallées ou des chaînes de montagnes. Les modèles traditionnels sont en difficulté ici, car ils s'entraînent sur des représentations de l'atmosphère qui manquent de détails et ignorent les variations locales extrêmes. WeatherNext 3 s'entraîne quant à lui directement sur des données d'observation éparses de stations météorologiques, ce qui permet des prévisions mondiales sur une grille de 5 kilomètres tenant compte des détails régionaux comme la topographie.

Selon Google, cette percée est particulièrement importante pour les régions d'Amérique latine, d'Afrique et d'Asie-Pacifique historiquement mal servies par la prévision haute résolution en raison des coûts de supcalcul immenses des modèles régionaux traditionnels. Elle apporte des prévisions localisées et haute fidélité à des milliards de personnes et d'entreprises locales dans ces zones. Comme les modèles d'IA nécessitent, une fois entraînés, bien moins de puissance de calcul que les systèmes NWP basés sur des supercalculateurs, ils abaissent la barrière de coût qui a historiquement limité la prévision haute résolution aux régions les plus riches.

Au-delà de la résolution et de la fréquence des prévisions, le modèle introduit des prédictions conçues pour la production d'énergies renouvelables. WeatherNext 3 prévoit les vitesses du vent à 100 mètres — environ la hauteur des turbines — pour une estimation précise de la production éolienne, ainsi que la couverture nuageuse haute résolution et les niveaux de rayonnement solaire pour aider les fermes solaires à estimer la quantité de lumière atteignant le sol. Google indique que ces données sont cruciales pour la planification mondiale des énergies propres, permettant aux gestionnaires de réseaux et aux développeurs d'énergies renouvelables de prédire la puissance que leurs actifs produiront et de l'ajuster à la demande des consommateurs. Cette capacité s'aligne sur l'objectif déclaré de Google de fonctionner avec une énergie sans carbone 24 heures sur 24 d'ici 2030, un effort qui dépend fortement de la prévision de la production renouvelable.

Une prévision des précipitations à la précision remarquable

Les modèles météorologiques mondiaux ont toujours eu du mal à prévoir les précipitations avec précision. Les systèmes de pluie et de neige sont pilotés par des processus nuageux rapides à très petite échelle, difficiles à modéliser avec les simulations physiques traditionnelles. En conséquence, les prévisions par IA produisent souvent des estimations floues ou manquent entièrement les limites des tempêtes violentes.

Pour y remédier, Google a entraîné le modèle sur deux ensembles de données de précipitations de grande qualité : les Integrated Multi-satellite Retrievals for GPM (IMERG) de la NASA, basés sur satellite, et sa propre réanalyse mondiale des précipitations fondée sur le radar satellitaire.

Le résultat est un bond significatif en matière de précision des prévisions de précipitations. Dans les prévisions mondiales à moyenne échéance, les évaluations par rapport aux références montrent une amélioration du Continuous Ranked Probability Score (CRPS) allant jusqu'à 60 % par rapport à IMERG, de 30 % pour MRMS et de 10 % par rapport aux mesures pluviométriques pour les échéances courtes.

Dans une comparaison de prévisions de probabilité de précipitations à moyenne échéance (PoP > 1 mm), WeatherNext 2 à une résolution de 25 kilomètres présentait une empreinte de précipitations très diffuse et pixellisée, tandis que WeatherNext 3 à 11 kilomètres reflétait fidèlement les observations satellitaires réelles, capturant avec précision les bandes convectives nettes des systèmes météorologiques.

La recherche appliquée à l'ensemble de l'écosystème

Google indique que son objectif premier est de faire progresser l'intelligence météorologique pour la rendre universellement utile — qu'il s'agisse d'un secouriste suivant des changements soudains de vent, d'un contrôleur aérien planifiant des trajectoires de vol ou d'un agriculteur gérant ses cultures.

Pour faire sortir ces avancées du laboratoire, WeatherNext 3 est intégré à l'écosystème central de Google et au-delà :

• Données de prévision haute résolution : Les prévisions météorologiques mondiales sont actualisées toutes les heures et prêtes à être intégrées dans les flux de travail, sans configuration de modèle requise. Chercheurs, développeurs et entreprises peuvent interroger les données dans BigQuery et Earth Engine, ou les télécharger en masse depuis Google Cloud Storage.
• Disponibilité mondiale : WeatherNext 3 commence dès aujourd'hui à alimenter les expériences météorologiques dans Google Search, l'application Gemini, Google Maps, l'API Weather de Google Maps Platform et Google Earth Engine. Cette mise à jour améliore considérablement les prévisions à plus long terme : lors de la planification à un jour ou plus d'avance, les utilisateurs verront des prévisions de précipitations jusqu'à 50 % plus précises, avec les plus grandes améliorations dans les régions où les prévisions ont historiquement été moins fiables.

Google note que l'atmosphère conservera toujours une part d'imprévisibilité. Cependant, en s'entraînant sur des observations du monde réel et en contournant les contraintes de la modélisation traditionnelle, WeatherNext 3 rapproche les prévisions de la réalité sur le terrain. À mesure que la prévision par IA mûrit, une question récurrente dans le domaine est celle de la coexistence des systèmes d'apprentissage automatique et des agences traditionnelles fondées sur la physique — les services météorologiques nationaux, y compris ceux qui collaborent avec les développeurs d'IA, restent la source faisant autorité pour les alertes et la sécurité publique, un rôle que Google reconnaît lui-même.

Les ressources supplémentaires liées à ce lancement comprennent le document de recherche WeatherNext 3, la documentation développeur pour construire avec WeatherNext 3, le Weather Lab pour des visualisations en temps réel du modèle, et les classements en direct indépendants de Brightband montrant le rang de WeatherNext 3. Les lecteurs peuvent également explorer le travail géospatial et d'IA plus large de Google via Google Earth Engine, AlphaEarth Foundations et Earth AI.

L'avertissement de Google précise que pour les prévisions météorologiques officielles, les alertes de phénomènes violents et les avis de sécurité publique, les utilisateurs doivent se référer à leur agence météorologique locale ou à leur service météorologique national.

Source : Google DeepMind Blog