WeatherNext 3 : le nouveau modèle météo de Google repousse ses limites de résolution et de latence
Le 3 septembre 2026, Google DeepMind et Google Research ont annoncé sur le blog officiel le modèle météorologique global WeatherNext 3, présenté par l'entreprise comme son modèle météo le plus avancé et le plus précis. Le nouveau système produit des prévisions mises à jour toutes les heures, contre six heures pour WeatherNext 2, et offre une résolution de 5 km (0,05°) pour les variables de surface calibrées sur les stations (température et point de rosée), tandis que les autres variables de surface sont à environ 10 km (0,1°) et les variables atmosphériques sur les niveaux de pression à environ 25 km (0,25°). WeatherNext 2 fonctionnait à 25 km avec des mises à jour toutes les six heures.
Selon l'annonce, les précipitations affichent une amélioration du CRPS pouvant atteindre 60 % par rapport aux données satellitaires IMERG de la NASA, 30 % par rapport à MRMS et 10 % par rapport aux pluviomètres pour les prévisions à court terme ; pour les échéances d'un jour et au-delà, l'entreprise évoque des prévisions de pluie jusqu'à 50 % plus précises. La page technique de Google for Developers fait état d'une réduction pouvant atteindre 50 % du score de Brier et du CRPS par rapport aux références des modèles numériques (NWP) lorsque l'évaluation porte sur les observations globales IMERG.
L'article publié sur arXiv (2609.03582) décrit la nouveauté méthodologique : le modèle se réinitialise toutes les heures en ingérant des données satellitaires géostationnaires à faible latence, au lieu de partir uniquement des données d'analyse, et apprend à prédire directement des estimations satellitaires de précipitations, des observations de cyclones tropicaux et des mesures de stations au sol. Selon le résumé, l'entraînement sur des données de stations éparses permet des prévisions de température et de point de rosée à 2 m en tout point et à tout instant, conditionnées par les caractéristiques géographiques locales, avec une erreur que les auteurs déclarent nettement inférieure à celle des modèles globaux concurrents, y compris sur des stations absentes de l'entraînement.
TechCrunch rapporte que, dans le classement Operational WeatherBench, WeatherNext 3 devance les modèles de Microsoft, NVIDIA, l'ECMWF et le National Weather Service américain. Google cite elle-même ce classement indépendant à l'appui de sa première place, même s'il n'est pas directement vérifiable : les données sont chargées en JavaScript et ne peuvent pas être récupérées sous forme de texte. S'y ajoute que les poids du modèle ne sont pas publics et que les pourcentages d'amélioration sur le CRPS et le score de Brier restent des mesures de l'auteur du modèle.
WeatherNext 3 n'est pas le premier à utiliser des observations brutes : WeatherMesh 6, de WindBorne, les intègre depuis fin 2025. Interrogée par TechCrunch, Google revendique la résolution la plus fine à l'échelle mondiale, les deux modèles restant tributaires des jeux de données météorologiques nationaux.
Le nouveau modèle alimentera plusieurs produits Google : la Recherche, l'application Gemini, Google Maps, la Weather API de Maps Platform et Earth Engine. Samir Merchant, senior staff engineer chez Google, a déclaré : “This is going to be the first time that some of the core variables feed and power a lot of the Google products”. Le calendrier de déploiement dans chaque produit n'a pas encore été précisé.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- J'ai lu l'annonce officielle sur blog.google datée du 3 septembre 2026 (résolutions, cadence horaire, chiffres sur les précipitations, produits concernés), la page technique developers.google.com/weathernext/guides/research, qui confirme le saut de résolution d'un facteur 5 et la réduction pouvant atteindre 50 % du score de Brier et du CRPS face aux références NWP, ainsi que le résumé de l'article arXiv 2609.03582, pour la méthode, la résolution de 0,1° sur les variables à niveau unique et la formulation exacte sur les stations absentes de l'entraînement. Comme confirmation indépendante, j'ai ouvert l'article de TechCrunch du 3 septembre 2026, qui ajoute la comparaison avec les autres modèles dans le classement Brightband, le rapport de paramètres et le contre-exemple WindBorne. J'ai tenté d'ouvrir directement owb.brightband.com : la page n'expose pas ses données à une récupération textuelle, je l'ai donc versée aux incertitudes plutôt que de la tenir pour vérifiée. Les détails sur l'ensemble, la cadence d'initialisation et l'accès aux données viennent de MarkTechPost et sont signalés comme secondaires. Aucune rumeur ni fuite dans la chaîne : annonce officielle, article scientifique, média de référence.
- Incertezze
- Le classement Operational WeatherBench de Brightband n'a pas pu être vérifié directement : owb.brightband.com charge ses données en JavaScript et ne renvoie que “Loading…” à une récupération textuelle ; le positionnement de WeatherNext 3 et la comparaison avec Microsoft, NVIDIA, l'ECMWF et le NWS sont donc pour l'instant rapportés par Google et TechCrunch, non lus à la source. Les poids ne sont pas publics et personne n'a reproduit de manière indépendante les pourcentages annoncés : les chiffres sur le CRPS et le score de Brier restent des mesures de l'auteur du modèle, aussi publiées soient-elles dans un article. Le nombre de paramètres (2,4× celui de WeatherNext 2) figure dans TechCrunch mais ni dans l'annonce officielle ni dans la page technique consultée. Des détails opérationnels comme l'ensemble à 64 membres, les 24 initialisations quotidiennes et l'accès aux données sur liste d'attente proviennent d'une source secondaire et doivent être attribués comme tels. On ignore selon quel calendrier le modèle arrivera effectivement dans chaque produit Google, ainsi que la date de coupure des données d'entraînement de la version en production.
- Perché pubblicarla
- C'est une sortie officielle, documentée par un article scientifique et accompagnée d'une évaluation tierce que l'entreprise cite elle-même : du matériau solide, rare dans la course actuelle aux modèles. Et c'est l'une des rares applications de l'IA dont le bénéfice se mesure hors des benchmarks — des prévisions horaires à 5 km touchent la protection civile, l'agriculture et la gestion des réseaux électriques. En même temps, elle offre un cas d'école limpide sur la limite récurrente du secteur : poids fermés, chiffres déclarés par l'auteur, et un classement indépendant qu'il vaut mieux regarder de près que citer par ouï-dire.