Google DeepMind présente WeatherNext 3 : des prévisions mondiales horaires à une résolution de 5 km

Les modèles météorologiques par intelligence artificielle ont mis trois ans à rattraper les prévisions physiques, mais deux problèmes sont restés non résolus : une résolution grossière et l’incapacité à capturer la topographie locale ; ainsi qu’une initialisation qui accuse un retard d’environ 6 heures par rapport à l’analyse de prévision numérique du temps (NWP). WeatherNext 3, co-développé par Google DeepMind et Google Research, répond directement à ces deux points.

Entraînement direct sur les mesures des stations météorologiques, plus seulement sur les grilles de réanalyse

WeatherNext 3 utilise des mosaïques satellitaires géostationnaires globales en temps réel comme entrée directe du modèle, qui est réinitialisé toutes les heures, et produit une résolution maximale de 0,05° (environ 5 kilomètres). Il est entraîné à l’aide de données d’observation originales des stations météorologiques, plutôt que de s’appuyer uniquement sur les grilles de réanalyse. Selon Google AI, l’évaluation indépendante en temps réel de Brightband l’a classé comme le modèle météorologique mondial le plus précis à ce jour.

Sur le plan architectural, WeatherNext 3 est un Transformer de grille basé sur un réseau de génération de fonctions (FGN). Il appartient à la même famille de modèles probabilistes que WeatherNext 2, mais il est étendu à des sorties multi-résolution. Les entrées comprennent les mosaïques satellitaires géostationnaires en temps réel et l’analyse ECMWF HRES. Les données d’entraînement incluent ERA5/HRES-fc0, IMERG de la NASA, les observations de site et les mosaïques satellitaires.

La plupart des modèles de prévision par IA apprennent à partir de données de réanalyse NWP, qui peuvent lisser les différences locales causées par les côtes, les vallées et les montagnes. WeatherNext 3, en revanche, s’entraîne directement sur des données de mesure de site originales à l’aide d’une tête d’observation dédiée, calibrant ses sorties de température et de point de rosée à 0,05° pour correspondre aux lectures réelles des instruments.

Mises à jour horaires, améliorations significatives des variables de précipitations et d’énergie renouvelable

Une seule inférence directe peut produire trois niveaux de résultats : température et point de rosée à 2 mètres à 0,05° (environ 5 km) pour les modèles entraînés sur site ; vents de surface à 10 mètres et 100 mètres, pression, température de surface de la mer, couverture nuageuse, rayonnement solaire et précipitations sur 1 heure à 0,1° (environ 10 km) ; et un champ atmosphérique à 0,25° (environ 25 km) couvrant 13 couches de pression. En comparaison, WeatherNext 2 produit un champ à 0,25° toutes les 6 heures, ce qui explique l’affirmation d’une « amélioration de la clarté par cinq ».

La fréquence de rafraîchissement est une autre modification majeure : le modèle est initialisé 24 fois par jour, avec quatre cycles météorologiques à 00, 06, 12 et 18 UTC capables de prévoir jusqu’à 15 jours (360 heures) avec 64 membres d’ensemble, tandis que les exécutions horaires restantes couvrent 48 heures. Pour les phénomènes convectifs à développement rapide, le rafraîchissement horaire basé sur les observations satellitaires actuelles fait une différence substantielle par rapport au cycle de 6 heures des analyses en retard.

Les précipitations ont toujours été une faiblesse des modèles mondiaux, avec des sorties souvent floues incapables de capturer les limites des tempêtes. WeatherNext 3 est entraîné à l’aide de trois sources de données : la réanalyse ECMWF, l’inversion satellitaire IMERG de la NASA et la réanalyse des précipitations par radar satellitaire propre à Google. Google affirme que, pour les prévisions à court terme, son CRPS s’améliore jusqu’à 60 % par rapport à la référence (par rapport à IMERG), de 30 % (par rapport à MRMS) et de 10 % (par rapport aux pluviomètres) ; des études montrent également que, lorsqu’il est évalué par rapport à IMERG, le score de Brier et le CRPS sont réduits jusqu’à 50 % par rapport à la référence NWP.

Pour les énergies renouvelables, le modèle produit la vitesse du vent à 100 mètres à la hauteur des moyeux des éoliennes, une distribution complète des nuages bas/moyens/élevés et deux composantes de l’irradiance solaire — SSRD et FDIR — qui correspondent exactement à la combinaison requise par les gestionnaires de réseau électrique pour prédire la production éolienne et solaire.

Actuellement, les données de prévision peuvent être demandées via BigQuery, Earth Engine et Cloud Storage, mais les poids de WeatherNext 3 ne sont pas open-sourcés, et l’inférence personnalisée utilise toujours WeatherNext 2 sur demande.