WeatherNext 3 affine les prévisions météo de Google

Google DeepMind et Google Research ont présenté le 3 septembre 2026 WeatherNext 3, un modèle mondial de prévision météo par IA qui produit des prévisions horaires jusqu’à 5 kilomètres de résolution. Le système commence à alimenter Google Search, Gemini, Google Maps, l’API météo de Google Maps Platform et Google Earth Engine. L’enjeu est clair : des prévisions plus fines, plus rapides à mettre à jour et, selon Google, plus fiables pour la pluie, un domaine où les écarts coûtent vite très cher.

Une météo plus fine, mais pas encore parfaite

WeatherNext 3, présenté par Google DeepMind et Google Research, remplace progressivement une partie de l’approche de WeatherNext 2 avec un modèle plus dense et plus réactif. Les variables de surface clés, comme la température et l’humidité, sont calculées à 5 kilomètres, contre 25 kilomètres pour le modèle précédent, avec des mises à jour horaires au lieu d’un pas de six heures. Dit autrement, la carte météo prend moins l’allure d’un flou artistique. Pour des usages grand public, cela change la lecture d’une averse locale ; pour les développeurs et les entreprises, cela améliore la granularité des données exploitables.

Le modèle s’appuie sur une architecture de type Functional Generative Network et génère des prévisions d’ensemble à 64 membres sur 15 jours. Selon le papier technique publié avec l’annonce, la version de production a été entraînée avec des données allant jusqu’au 30 juin 2026. Google précise aussi avoir augmenté la taille latente de 768 à 1024 et la profondeur du mesh transformer de 24 à 32 couches par rapport à WeatherNext 2.

Des satellites en direct plutôt que des modèles en retard

La principale différence tient à la source des données. La plupart des modèles météo IA, y compris WeatherNext 2, apprennent à partir de sorties de modèles numériques de prévision, qui arrivent souvent avec six heures de décalage. WeatherNext 3 ingère, lui, un mosaïque de satellites géostationnaires en quasi temps réel, actualisée environ toutes les heures. Google dit que cette approche réduit les biais sur des variables très changeantes comme la pluie ou la température de surface.

Le système combine aussi des observations de stations météo, avec METAR pour les aéroports, des réseaux Mesonet régionaux et les mesures ICOADS issues de navires et de bouées, en remontant jusqu’à 2001. Pour la pluie, Google entraîne le modèle sur IMERG, le produit satellite de la NASA, ainsi que sur PARDIG, une réanalyse mondiale de précipitations décrite comme expérimentale. Côté fonctionnement, le modèle produit à la fois des champs griddés, des trajectoires de cyclones et des prédictions au niveau des stations.

Ce que Google promet aux utilisateurs et aux marchés

Au-delà de la météo du quotidien, WeatherNext 3 vise aussi des usages industriels. Google ajoute des prévisions de vent à 100 mètres, soit à hauteur approximative d’éolienne, ainsi que des estimations de couverture nuageuse et de rayonnement solaire pour aider les exploitants photovoltaïques à anticiper l’ensoleillement au sol. Les équipes de Google indiquent aussi que les prévisions de précipitations planifiées un jour ou plus à l’avance pourraient être jusqu’à 50 % plus précises, avec les gains les plus forts dans les régions historiquement difficiles à prévoir.

Le modèle est accessible à des chercheurs, développeurs et entreprises via BigQuery, Earth Engine et Google Cloud Storage au format Zarr. Google propose aussi une option d’inférence sur Google Cloud pour générer des prévisions personnalisées sur des accélérateurs dédiés, avec contrôle de la taille d’ensemble et des horizons de prévision. Les résultats peuvent être consultés en temps réel dans Weather Lab, le site de visualisation de DeepMind.

Les résultats annoncés restent à lire avec prudence

Dans ses évaluations, Google met en avant des progrès notables. Sur les prévisions mondiales de précipitations à moyen terme, l’entreprise dit avoir obtenu jusqu’à 60 % d’amélioration du CRPS face à IMERG, 30 % face au produit radar MRMS et 10 % face aux mesures de pluviomètres sur les premiers délais. Pour la température à 2 mètres, la tête “stations” du modèle améliore le CRPS jusqu’à 30 % par rapport à WeatherNext 2 et 40 % par rapport à ECMWF ENS sur les horizons courts, toujours selon le papier.

Sur une évaluation quasi temps réel menée du 1er juillet au 11 août 2026, WeatherNext 3 aurait aussi fait mieux qu’ECMWF AIFS ENS v2 sur toutes les variables de haut niveau, avec un gain moyen d’environ 10 % sur la première semaine de prévision. Google note toutefois plusieurs limites visibles dans les sorties individuelles : motifs hexagonaux liés à la structure en maillage, discontinuités temporelles à certaines frontières de six heures et biais global chaud ou froid selon les membres. Les statistiques marginales restent largement propres, sauf en Antarctique, où les données de stations manquent encore.

Enfin, Google rappelle que WeatherNext reste un système automatique et expérimental. Pour les alertes météo sévères et les consignes de sécurité, l’entreprise renvoie vers les services météorologiques nationaux. Une précaution très sobre, mais utile : la météo prédictive adore les démonstrations, moins les surprises.