WeatherNext 2 : l’IA de Google révolutionne la prévision météo mondiale

Google DeepMind a dévoilé WeatherNext 2, une nouvelle génération de modèle d’intelligence artificielle dédiée aux prévisions météorologiques globales à moyen terme. Cette innovation, annoncée en novembre 2025, équipe désormais plusieurs services phares de Google, dont Search, Gemini, Pixel Weather et bientôt Google Maps. Grâce à une architecture avancée baptisée Functional Generative Network (FGN), ce système produit des prévisions plus rapides, plus précises et à résolution plus fine que ses prédécesseurs, avec des applications aussi bien grand public que professionnelles.

Une architecture innovante pour des prévisions probabilistes

Au cœur de WeatherNext 2 se trouve le modèle FGN, qui ne se contente pas de générer une seule trajectoire météo déterministe. Il échantillonne directement la distribution conjointe des variables atmosphériques sur 15 jours, à une résolution de 0,25° et un pas de temps de 6 heures. Ce modèle complexe intègre 6 variables atmosphériques sur 13 niveaux de pression ainsi que 6 variables de surface, offrant une vision complète et dynamique de l’atmosphère mondiale.

La structure repose sur un réseau de neurones graphes et un transformeur opérant sur une maille icosaédrique affinée, avec 180 millions de paramètres par instance, soit une taille nettement supérieure à celle du modèle précédent GenCast. Cette sophistication permet de mieux capturer les corrélations spatiales et intervariables, essentielles pour des prévisions cohérentes et fiables.

Gestion avancée des incertitudes et apprentissage ciblé

WeatherNext 2 distingue deux types d’incertitudes : épistémique, liée aux limites des données et du modèle, et aléatoire, inhérente aux phénomènes atmosphériques. L’incertitude épistémique est modélisée via un ensemble de quatre modèles indépendants, tandis que l’incertitude aléatoire est simulée par des perturbations fonctionnelles intégrées dans le réseau, générant des prévisions alternatives plausibles plutôt que du simple bruit.

Le modèle est entraîné uniquement sur des marges locales à l’aide du Continuous Ranked Probability Score (CRPS), favorisant des distributions prédictives précises et bien calibrées. Malgré cette supervision partielle, FGN apprend à reproduire des structures spatiales et multivariées réalistes, validées par des tests sur des agrégats régionaux et des variables dérivées comme la vitesse du vent à 10 mètres.

Des performances supérieures et des applications concrètes

Comparé à GenCast et aux modèles traditionnels, WeatherNext 2 améliore significativement la précision des prévisions. Il réduit le CRPS en moyenne de 6,5 %, avec des gains pouvant atteindre 18 % sur certains paramètres à court terme. L’erreur quadratique moyenne de l’ensemble diminue également, tout en conservant une bonne cohérence entre la dispersion des prévisions et l’erreur réelle.

Un cas d’usage crucial est le suivi des cyclones tropicaux : WeatherNext 2 prolonge la fenêtre de prévision utile d’environ un jour par rapport à GenCast, un avantage majeur pour la gestion des risques et les décisions d’évacuation. En outre, la rapidité du modèle est remarquable, générant des centaines de scénarios en moins d’une minute sur une puce TPU, contre plusieurs heures pour les modèles physiques classiques.

Intégration et perspectives

Google déploie WeatherNext 2 dans ses produits grand public et propose un accès anticipé aux entreprises souhaitant exploiter des modèles personnalisés via Earth Engine, BigQuery et Vertex AI. Ce lancement marque une étape importante dans la démocratisation des prévisions météorologiques basées sur l’IA, avec des applications potentielles dans l’énergie, l’agriculture, le transport et la logistique.

Face à une concurrence active, notamment du Centre européen pour les prévisions météorologiques à moyen terme, Nvidia ou Huawei, Google mise sur la puissance de son architecture FGN et son intégration dans un écosystème numérique étendu pour asseoir sa position.