WeatherNext 3 de Google DeepMind s'entraîne sur des observations de stations météo pour des prévisions mondiales à 5 km, actualisées chaque heure
Google DeepMind et Google Research ont annoncé WeatherNext 3, un nouveau modèle météorologique par intelligence artificielle qui produit des prévisions mondiales avec une résolution de 0,05 degré, soit environ 5 kilomètres, et se réinitialise toutes les heures. Le modèle repose sur une architecture Functional Generative Network (FGN), un transformeur de maillage probabiliste déjà utilisé pour WeatherNext 2 mais désormais adapté à une sortie multi-résolution. Il s'appuie sur une mosaïque satellite géostationnaire en temps réel combinée à l'analyse HRES du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), et il est entraîné sur les données ERA5/HRES-fc0, les observations satellite IMERG de la NASA ainsi que des relevés bruts de stations météo au sol. Un seul passage du modèle génère trois niveaux de sortie : température et point de rosée à 2 mètres à 5 km de résolution, vent à 10 et 100 mètres, pression, température de surface de la mer, couverture nuageuse, rayonnement solaire et précipitations horaires à 10 km, et des champs atmosphériques sur 13 niveaux de pression à 25 km. Le système tourne 24 fois par jour : les cycles synoptiques de 00h, 06h, 12h et 18h UTC couvrent 15 jours avec 64 membres d'ensemble, tandis que des cycles horaires intermédiaires portent sur 48 heures. Selon Google, des évaluations indépendantes menées par Brightband placent WeatherNext 3 au rang de modèle météorologique mondial le plus précis à ce jour.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette avancée s'attaque à deux limites qui freinaient les modèles météo par IA depuis trois ans : une résolution trop grossière pour restituer les reliefs locaux, et une initialisation dépendante des analyses numériques classiques, disponibles avec environ six heures de retard. L'actualisation horaire, ancrée sur des observations satellite courantes plutôt que sur des analyses différées, change la donne pour le suivi des orages à développement rapide. Sur les précipitations, point faible historique des modèles globaux, Google annonce des gains de score CRPS allant jusqu'à 60 % face à IMERG, 30 % face au réseau radar MRMS et 10 % face aux pluviomètres sur les échéances courtes, avec jusqu'à 50 % de réduction du score de Brier par rapport aux modèles physiques classiques. Les variables dédiées aux énergies renouvelables, vent à hauteur de nacelle d'éolienne et composantes du rayonnement solaire, visent explicitement les opérateurs de réseaux électriques.
L'essentiel des modèles IA concurrents s'entraîne sur des grilles de réanalyse qui lissent les variations locales dues aux côtes, vallées ou montagnes ; WeatherNext 3 introduit des modules dédiés entraînés directement sur les relevés de stations pour corriger ce biais. L'accès reste toutefois partiel : les données sont disponibles via BigQuery, Earth Engine et Cloud Storage sur demande d'inscription sur liste blanche, mais les poids du modèle ne sont pas ouverts, et l'inférence personnalisée à la demande utilise encore WeatherNext 2.
Le modèle s'appuie sur les données HRES du Centre européen pour les prévisions météorologiques a moyen terme (ECMWF) et ses variables vent/rayonnement solaire pourraient intéresser les opérateurs de réseaux électriques européens, mais l'accès reste restreint sur liste blanche.