Google DeepMind et Google Research ont présenté WeatherNext 3, que l'entreprise décrit comme son modèle de prévision météorologique mondiale le plus avancé à ce jour. Les évaluations en direct menées de manière indépendante par Brightband indiquent que le système réalise un bond significatif en précision prédictive et en résolution spatiale par rapport aux méthodes numériques conventionnelles comme à son prédécesseur, WeatherNext 2.

Le nouveau modèle rompt avec la pratique établie en apprenant directement à partir d'observations en temps réel plutôt que de s'appuyer uniquement sur des données historiques de prévision numérique du temps, qui présentent généralement un décalage de six heures. WeatherNext 3 ingère chaque heure des mosaïques satellitaires géostationnaires mondiales en direct, ce qui lui permet de générer des prévisions horaires avec une résolution allant jusqu'à cinq kilomètres pour les variables de surface telles que la température et l'humidité. Ce passage à la prévision par IA dépasse largement le cadre des produits de Google : les modèles de prévision par apprentissage automatique fonctionnent généralement pour une fraction du coût de calcul de la prévision numérique du temps traditionnelle basée sur les supercalculateurs, un facteur qui détermine la rapidité avec laquelle des agences comme la NOAA, le CEPMMT (ECMWF) et les services météorologiques nationaux adoptent des techniques comparables.

Cela représente une amélioration d'un facteur cinq de la précision spatiale par rapport à WeatherNext 2, qui fonctionnait sur une grille de 25 kilomètres avec des incréments de six heures ; les variables atmosphériques, dont la vitesse du vent, sont résolues à 25 kilomètres. Au cœur du système se trouve un transformateur de maillage Functional Generative Network qui traite à la fois l'imagerie satellitaire et l'analyse historique traditionnelle pour produire nativement des champs maillés denses, des trajectoires discrètes de cyclones et des prévisions au niveau des stations.

Introducing WeatherNext 3, our most advanced and accurate global weather AI model to date, from @GoogleDeepMind and @GoogleResearch. This new forecasting model learns directly from real-time observations, and uses raw satellite data to produce a forecast every hour in high… pic.twitter.com/WlljsjiSfy — News from Google (@NewsFromGoogle) September 3, 2026

Prévision énergétique et disponibilité mondiale

Au-delà des perfectionnements techniques, WeatherNext 3 apporte des capacités spécialisées pour le secteur des énergies renouvelables et les régions historiquement mal servies. Le modèle prévoit les vitesses du vent à 100 mètres, ainsi que des estimations haute résolution de la couverture nuageuse et du rayonnement solaire, offrant aux gestionnaires de réseau et aux développeurs des outils précis pour prédire la production d'énergie propre et équilibrer l'offre avec la demande des consommateurs. Cette capacité répond à un défi opérationnel de longue date pour les réseaux comptant une part croissante d'éolien et de solaire, où la variabilité de la production exige des prévisions à court terme précises pour planifier la distribution et maintenir la fiabilité.

Parce qu'il s'entraîne directement sur des observations éparses de stations météorologiques plutôt que sur des simulations atmosphériques lissées, le système tient compte de la topographie locale et des variations microclimatiques extrêmes, particulièrement pertinentes pour les communautés côtières, de vallée et de montagne. Cette méthodologie revêt une importance particulière pour l'Amérique latine, l'Afrique et la région Asie-Pacifique, où la prévision haute résolution a historiquement été limitée par les coûts prohibitifs du calcul intensif des modèles régionaux traditionnels.

La précision des précipitations s'est nettement améliorée grâce à l'entraînement sur les données satellitaires IMERG de la NASA et sur la réanalyse mondiale propriétaire des précipitations de Google. Les évaluations indépendantes montrent des scores CRPS (Continuous Ranked Probability Scores) jusqu'à 60 % meilleurs par rapport aux référentiels IMERG, ainsi que des améliorations de 30 % par rapport à MRMS et de 10 % par rapport aux mesures pluviométriques aux échéances courtes.

Google déploie WeatherNext 3 dans ses écosystèmes grand public et entreprise avec effet immédiat. Le modèle alimente désormais les expériences météo dans Search, Gemini, Maps, l'API Weather de Google Maps Platform et Earth Engine. Les utilisateurs planifiant des voyages ou des activités en plein air pourraient rencontrer des prévisions de précipitations jusqu'à 50 % plus précises sur des horizons plus lointains, les gains les plus marqués se situant dans les régions auparavant dépourvues d'infrastructures de prévision fiables.

Pour les chercheurs et les entreprises, les jeux de données de prévision mondiale horaire peuvent être interrogés via BigQuery et Earth Engine ou téléchargés en masse via Google Cloud Storage, sans nécessiter de déploiement dédié du modèle. Cette version poursuit la lignée des modèles WeatherNext de Google et ses travaux sur GraphCast, dans le cadre d'une tendance industrielle plus large où les modèles météorologiques IA des grandes entreprises technologiques et des agences météorologiques sont de plus en plus utilisés en complément, et non en remplacement, des systèmes de prévision classiques fondés sur la physique.