Contexte et nouveauté de WeatherNext 3
Google a publié la version 3 de son modèle de prévision météo basé sur l’IA, WeatherNext. La principale évolution consiste à intégrer des observations satellites brutes, ce qui réduit le délai entre l’état réel de l’atmosphère et la génération du pronostic. Cette ingestion directe contraste avec les versions antérieures, qui ne s’appuyaient que sur des réanalyses globales mises à jour toutes les six heures.
Rôle des réanalyses et limites précédentes
Les modèles IA antérieurs utilisent des réanalyses, c’est‑à‑dire des champs atmosphériques synthétisés à partir de mesures disparates. Cette étape assure une couverture globale mais implique deux contraintes majeures : perte d’information fine contenue dans les données brutes et actualisation limitée à un intervalle de six heures. En conséquence, les prévisions pouvaient manquer de réactivité face à des évolutions rapides, notamment pour les phénomènes convectifs.
Architecture mise à jour et traitement des données satellites
WeatherNext 3 ajoute un pipeline dédié aux images satellites multispectrales. Les données sont pré‑traitées pour extraire des variables d’humidité, de température de surface et de précipitations, puis injectées dans le réseau de neurones principal. Un second modèle, entraîné spécifiquement sur les estimations de précipitations satellitaires, produit une sortie indépendante, offrant deux champs de précipitations parallèles. La résolution spatiale a également été augmentée, passant d’environ 25 km à 12 km, ce qui nécessite davantage de paramètres de modèle et une optimisation du flux de calcul pour éviter une hausse proportionnelle de la consommation GPU.
Impacts sur la fréquence et les exigences de calcul
Grâce à l’accès direct aux observations, WeatherNext 3 peut délivrer des prévisions horaires au lieu de six‑heures. Cette fréquence accrue améliore la capacité à suivre les évolutions rapides, mais impose une charge de calcul plus élevée. Google a compensé ce besoin en réduisant la taille des batchs d’inférence et en appliquant des techniques de quantification dynamique, limitant ainsi l’augmentation de la consommation énergétique à moins de 15 % par cycle de prévision. Malgré ces ajustements, la dépendance à des serveurs GPU spécialisés reste un facteur de coût, ce qui rend le modèle moins accessible aux organisations disposant de ressources limitées.
