WeatherNext 3 affine les prévisions météo de Google à 5 km

Google DeepMind et Google Research ont présenté WeatherNext 3 le 3 septembre 2026, un modèle mondial de prévision météo qui produit des sorties horaires jusqu’à 15 jours, avec une résolution allant jusqu’à 5 km pour certaines variables de surface. Le système alimente déjà Google Search, Gemini, Google Maps, Google Earth Engine et l’API Weather de Google Maps Platform. L’enjeu est simple : gagner en finesse sur les pluies, le vent et les épisodes rapides, là où les modèles trop lents se trompent encore souvent.

Une météo plus fine, mais aussi plus fréquente

WeatherNext 3 change d’abord le rythme. Là où WeatherNext 2 fonctionnait sur une grille de 25 km avec des pas de six heures, le nouveau modèle publie des prévisions horaires et monte à 0,05° pour la température et l’humidité de surface, soit environ 5 km. D’autres variables de surface sont produites à 10 km, tandis que les champs atmosphériques descendent à 25 km.

Cette différence n’est pas qu’un argument de laboratoire. Les zones de montagne, les littoraux ou les grandes villes réagissent vite aux micro-variations de l’atmosphère. Un modèle qui rafraîchit ses sorties chaque heure colle mieux à ces bascules, surtout pour la pluie et les températures de surface. Le tout avec 64 membres d’ensemble, c’est-à-dire 64 scénarios légèrement différents pour estimer l’incertitude, et non une seule prévision “sûre” qui l’est rarement.

Des données satellites en direct, pas seulement des archives

Le cœur de la nouveauté tient dans l’entrée du modèle. WeatherNext 3 n’apprend pas seulement à partir de réanalyses issues de la météo physique, souvent disponibles avec un retard d’environ six heures. Google dit intégrer une mosaïque mondiale de satellites géostationnaires en quasi temps réel, complétée par des observations brutes de stations météo, des réseaux régionaux et des mesures navires/bouées. Le modèle combine aussi des données sur les précipitations de la NASA et sa propre reconstitution globale des pluies, PARDIG.

Selon le papier technique, cette approche vise à réduire les biais sur les variables qui bougent vite. Elle permet aussi de produire des prévisions calibrées directement sur des mesures instrumentales, notamment pour la température à 2 mètres et le point de rosée. En clair, le modèle regarde le ciel presque en direct au lieu d’attendre que quelqu’un lui raconte ce qui s’y est passé. La météo n’aime pas patienter, et les algorithmes non plus.

Ce que Google met en avant pour les professionnels

Au-delà des usages grand public, WeatherNext 3 cible aussi des besoins très concrets pour l’énergie et la recherche. Le modèle prédit le vent à 100 mètres, une hauteur proche des pales d’éoliennes, ainsi que la couverture nuageuse et le rayonnement solaire pour estimer la production photovoltaïque. Google indique aussi un accès via BigQuery, Earth Engine et Google Cloud Storage en format Zarr, avec une option d’inférence personnalisée sur Google Cloud [à vérifier], tandis que les poids du modèle ne sont pas ouverts.

Sur le plan des performances, Google affirme jusqu’à 60 % d’amélioration sur les prévisions de précipitations par rapport à IMERG, 30 % face à MRMS et 10 % face aux mesures pluviométriques à court terme. Le papier mentionne aussi un gain d’environ 30 % sur la température à 2 mètres par rapport à WeatherNext 2 dans certaines évaluations, et une amélioration d’environ 10 % en moyenne sur la première semaine face à AIFS ENS v2 d’ECMWF lors d’une évaluation quasi temps réel menée du 1er juillet au 11 août 2026. Reste une limite connue : des artefacts visuels subsistent dans certains échantillons, avec des motifs hexagonaux liés à la structure en maillage du modèle et des biais de chaud/froid selon les membres.

Un modèle utile, mais pas une boule de cristal

Google insiste sur un point de prudence : WeatherNext est un système IA automatisé et expérimental. Pour les alertes de sécurité publique et les avertissements de phénomènes violents, la consigne reste de se tourner vers les services météorologiques nationaux. Cette réserve compte, car la précision progresse, mais la responsabilité opérationnelle ne bascule pas d’un coup du côté du cloud.

Dans la pratique, WeatherNext 3 marque surtout une étape dans la météo algorithmique : plus rapide, plus fine, plus exploitable par des acteurs industriels, tout en restant encadrée par les limites de l’apprentissage statistique. Les modèles IA gagnent du terrain, mais ils continuent de courir après l’atmosphère.