Présentation du modèle WeatherNext 3
WeatherNext 3 est le dernier modèle d’intelligence artificielle de Google dédié à la prévision météorologique. Il s’appuie sur des ensembles de données d’observation plus récents et plus riches que les modèles globaux classiques, ce qui permet d’obtenir une résolution spatiale cinq fois supérieure à celle de son prédécesseur. Le modèle génère une image globale chaque heure en intégrant les observations satellitaires en temps réel, réduisant ainsi le décalage inhérent aux simulations physiques.
Comparé à WeatherNext 2, qui produisait des prévisions toutes les six heures sur une grille de 25 km, WeatherNext 3 délivre des cartes à 5 km de résolution et actualise les sorties chaque heure. Cette densité accrue implique un volume de données d’entrée plus important, mais les réseaux de neurones profonds de Google sont capables de traiter ces flux grâce à des architectures parallèles optimisées pour les TPU.
Améliorations de résolution et de fréquence
La réduction de la taille de la grille de 25 km à 5 km augmente le nombre de points de prévision de plus de trente fois. Cette granularité améliore la capacité du modèle à capturer les gradients de température et d’humidité qui caractérisent les systèmes météorologiques rapides, notamment les orages et les fronts froids. En pratique, chaque point de la grille est évalué par le réseau neuronal en moins de quelques millisecondes, ce qui rend possible la production d’une prévision horaire sans recourir aux supercalculateurs traditionnels.
Le passage d’un pas de temps de six heures à un pas d’une heure réduit le temps de latence entre l’observation et la diffusion du résultat. Cette rapidité est cruciale pour les applications où les conditions évoluent rapidement, comme la prévision des précipitations locales ou la gestion des urgences.
Intégration des données satellitaires en temps réel
WeatherNext 3 consomme directement les images satellites actualisées, ce qui comble les lacunes des réseaux de stations au sol, surtout dans les zones peu couvertes en Amérique du Sud, en Afrique ou en Asie. Le modèle apprend à associer les signatures radiométriques des satellites à des variables atmosphériques telles que la teneur en vapeur d’eau ou la température de surface, augmentant ainsi la précision des prévisions dans les régions où les mesures in situ sont rares.
Cette approche nécessite un pipeline de traitement des données capable d’ingérer, de normaliser et de synchroniser les flux satellites avant de les injecter dans le réseau neuronal. Google utilise des systèmes de streaming basés sur Cloud Pub/Sub et des conteneurs Kubernetes pour garantir que chaque image soit disponible dans le délai de quelques minutes requis pour la prévision horaire.
Implications pour les prévisions et les énergies renouvelables
Selon Google, les prévisions de précipitations à un jour d’avance sont jusqu’à 50 % plus précises que celles des modèles précédents, ce qui améliore la planification des interventions d’urgence et la gestion des infrastructures hydrauliques. Le modèle fournit également des estimations de vitesse du vent à 100 m d’altitude, hauteur typique des turbines, facilitant la prévision de la production d’énergie éolienne.
WeatherNext 3 est déjà intégré à Search, Maps, Gemini et à d’autres services Google, et collabore avec le National Hurricane Center américain ainsi que des agences asiatiques. Malgré ces avancées, Google précise que le modèle IA reste couplé aux simulations physiques traditionnelles : les prévisions sont croisées avec les modèles basés sur les équations de Navier‑Stokes pour valider les alertes et réduire les risques d’erreur systémique.
