Présentation du modèle
WeatherNext 3, développé conjointement par Google DeepMind et Google Research, est le dernier modèle d’intelligence artificielle dédié à la prévision météorologique. Il sera intégré aux services Google Search, Google Maps et Gemini, et sera accessible via les plateformes cloud de Google. Le modèle exploite les données satellites en temps réel et cible des stations météo locales, ce qui permet de fournir des prévisions horaires au lieu d’un intervalle de six heures habituel.
Améliorations techniques
Par rapport à son prédécesseur WeatherNext 2, WeatherNext 3 comporte 2,4 fois plus de paramètres, ce qui augmente sa capacité d’apprentissage. La résolution spatiale a été portée à 5 km, contre 15‑25 km pour les modèles antérieurs, et les prévisions de précipitations affichent une amélioration de 60 % sur les métriques de pluie. Les concepteurs ont également ajouté des « decoder heads » spécialisés afin de produire des réponses plus ciblées, notamment la capacité de prédire les mesures d’une station précise comme l’aéroport de Denver.
Performances et comparaison
Sur le benchmark Operational WeatherBench, créé par la startup Brightband, WeatherNext 3 se classe comme le modèle le plus précis parmi les concurrents évalués, incluant les modèles deep‑learning de Microsoft, Nvidia et le European Centre for Medium‑Range Weather Forecasting (ECMWF). Il surpasse également les prévisions traditionnelles du Service météorologique national américain (NWS) et de l’ECMWF, qui reposent sur des supercalculateurs gouvernementaux. Cette supériorité provient de l’ingestion directe de données brutes, plutôt que d’utiliser les analyses pré‑traitées produites par les supercalculateurs.
Limites et perspectives
Malgré ces avancées, WeatherNext 3 reste tributaire des jeux de données formatés fournis par les agences nationales, ce qui limite son autonomie en matière d’assimilation de données non structurées. Le traitement de données brutes en temps réel demeure techniquement complexe, et la dépendance aux observations satellites implique une couverture inégale dans les zones où les capteurs sont rares. De plus, bien que le modèle atteigne une résolution de 5 km, les prévisions locales très fines (moins d’un kilomètre) restent hors de portée. Les chercheurs soulignent que l’amélioration de la précision des prévisions de vent, de pluie et de couverture nuageuse pourrait soutenir les projets d’énergie renouvelable et les cultures dans les pays en développement, mais que des travaux supplémentaires sont nécessaires pour réduire la dépendance aux jeux de données gouvernementaux et pour intégrer davantage de sources d’observation directes.
