Google DeepMind lance WeatherNext 3 avec des prévisions horaires à 5 kilomètres

Google DeepMind et Google Research, le 3 septembre 2026, ont présenté WeatherNext 3, un modèle mondial de prévision météorologique basé sur l’IA qui génère des prévisions horaires avec une résolution allant jusqu’à 5 kilomètres et qui est intégré à Google Search, à l’application Gemini, à Google Maps, à l’API Weather du Google Maps Platform et à Google Earth Engine.

Les équipes ont décrit WeatherNext 3 comme leur modèle météorologique mondial le plus avancé et le plus précis à ce jour, en se référant à des évaluations en direct indépendantes réalisées par Brightband. Un document technique rédigé par des chercheurs de Google DeepMind, Google Research et Google a accompagné l’annonce et indique que le modèle fonctionne en production.

Prévisions horaires à plus haute résolution

WeatherNext 3 génère des prévisions horaires à plusieurs résolutions spatiales. Les variables de surface clés comme la température et l’humidité sont produites 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. Google indique que cela représente une image météorologique mondiale environ cinq fois plus nette que son modèle précédent, WeatherNext 2, qui produisait des prévisions sur une grille de 25 kilomètres avec des incréments de six heures.

Selon le document, WeatherNext 3 s’appuie sur l’approche Functional Generative Network qui sous-tendait WeatherNext 2 et produit des prévisions d’ensemble de 15 jours avec 64 membres, entraînées pour minimiser le Continuous Ranked Probability Score (CRPS), une mesure standard de la qualité des prévisions probabilistes. Le modèle augmente la taille latente de 768 à 1024 et la profondeur du transformeur maillé de 24 à 32 couches par rapport à WeatherNext 2, et la version de production a été entraînée sur des données jusqu’au 30 juin 2026. Le système intègre des mosaïques satellitaires géostationnaires en direct toutes les heures, en complément de l’analyse historique traditionnelle, alimentant un unique transformeur maillé qui génère des champs maillés denses, des trajectoires cycloniques discrètes et des prévisions au niveau des stations.

Entraîné sur des observations brutes

La plupart des modèles météorologiques basés sur l’IA, y compris WeatherNext 2, sont entraînés sur des données provenant de modèles de prévision numérique, qui sont des simulations physiques présentant un retard de six heures. Google indique que ce retard peut introduire des biais pour des variables évoluant rapidement comme la pluie et la température de surface. WeatherNext 3, quant à lui, intègre une mosaïque de données satellitaires géostationnaires mondiales en temps réel, lui offrant une vision constamment mise à jour de l’atmosphère et permettant une nouvelle prévision chaque heure, chacune s’appuyant sur les observations satellitaires les plus récentes disponibles.

Le document indique que la mosaïque satellitaire couvre 11 canaux à une résolution de 0,1 degré avec une latence opérationnelle d’environ une heure. WeatherNext 3 s’entraîne également directement sur des observations éparses de stations météorologiques, en combinant trois ensembles de données de surface — les stations d’aéroports METAR, les réseaux régionaux Mesonet et les mesures de navires et bouées ICOADS — depuis 2001. Le papier rapporte que ce module de sortie stationnaire prédit la température et le point de rosée à 2 mètres pour n’importe quel lieu et moment, en tenant compte des caractéristiques géographiques locales comme l’altitude.

Pour les précipitations, le modèle est entraîné sur deux sources: le produit IMERG (Integrated Multi-satellite Retrievals for GPM) de la NASA, basé sur les satellites, et la réanalyse mondiale des précipitations de l’équipe, appelée PARDIG, que le document décrit comme une estimation expérimentale produite par un modèle d’IA distinct entraîné à prédire les données radar spatiales éparses provenant de l’observatoire principal du GPM.

WeatherNext 3 introduit également des prévisions destinées à la production d’énergie renouvelable. Google indique que le modèle prévoit les vitesses du vent à 100 mètres, approximativement la hauteur des turbines, pour la production éolienne, ainsi qu’une couverture nuageuse et des niveaux de radiation solaire à haute résolution afin d’aider les fermes solaires à estimer l’ensoleillement au niveau du sol.

Résultats d’évaluation rapportés

Dans les prévisions de précipitations mondiales à moyen terme, Google a signalé des améliorations du CRPS allant jusqu’à 60 % par rapport à IMERG, 30 % pour le produit radar MRMS, et 10 % par rapport aux mesures de pluviomètres pour les prévisions à court terme. Le document ajoute que, lors d’évaluations contre des stations météorologiques exclues de l’entraînement, le module station améliore le CRPS de la température à 2 mètres jusqu’à 30 % par rapport à WeatherNext 2 et jusqu’à 40 % par rapport au système ENS d’ECMWF pour les prévisions à court terme.

Le document décrit également une évaluation quasi temps réel sur une période de six semaines, du 1 juillet au 11 août 2026, en utilisant des flux de données opérationnels. Dans cette évaluation, les auteurs rapportent que WeatherNext 3 a surpassé l’AIFS ENS v2 d’ECMWF sur toutes les variables de niveau supérieur, avec une amélioration moyenne d’environ 10 % lors de la première semaine de prévision, et a montré de petites mais constantes améliorations par rapport à WeatherNext 2 concernant l’erreur moyenne de trajectoire et d’intensité des cyclones tropicaux dans l’ensemble.

Le document signale également des limites. Les auteurs notent des artefacts spatiaux et temporels visibles dans les échantillons de prévision individuels, notamment des motifs hexagonaux reflétant la structure maillée du modèle, des discontinuités temporelles aux frontières de six heures dans certains modules de sortie, et un biais global de chaleur ou de froid par membre dans le module station. Ils indiquent que les statistiques marginales comme les quantiles d’ensemble sont en grande partie exemptes d’artefacts, sauf en Antarctique, où les données des stations sont rares.

Disponibilité sur les produits Google

WeatherNext 3 commence à alimenter les expériences météo dans Google Search, l’application Gemini, Google Maps, l’API Weather du Google Maps Platform et Google Earth Engine à partir du 3 septembre 2026. Google indique que lorsque les utilisateurs planifient un jour ou plus à l’avance, ils verront des prévisions de précipitations jusqu’à 50 % plus précises, les améliorations étant les plus importantes dans les régions où les prévisions ont historiquement été moins fiables.

Les chercheurs, développeurs et entreprises peuvent interroger les données dans BigQuery et Earth Engine ou les télécharger en masse depuis Google Cloud Storage au format Zarr. La documentation développeur de Google décrit le modèle comme fournissant des prévisions probabilistes mondiales sur 15 jours, initialisées chaque heure sur 64 membres d’ensemble, et propose une option d’inférence personnalisée sur Google Cloud permettant aux clients de générer des prévisions sur mesure sur des accélérateurs dédiés, avec un contrôle sur la taille de l’ensemble et les horizons de prévision. Les prévisions peuvent également être consultées en temps réel via Weather Lab, le site de visualisation interactif de Google DeepMind.

L’annonce de Google comporte une clause de non-responsabilité indiquant que WeatherNext est un système d’IA automatisé et expérimental et que les utilisateurs doivent se référer aux agences météorologiques locales ou aux services météorologiques nationaux pour obtenir des prévisions officielles, des alertes de temps sévère et des avis de sécurité publique.