Google DeepMind met à jour son modèle météo avec des prévisions horaires en grille de 5 km. L’enjeu dépasse la météo grand public.
En bref
- Prévisions horaires en grille de 5 km
- Données satellite en direct intégrées
- Pluie et neige mieux anticipées
Passer d’une grille de 25 km à 5 km, ce n’est pas un simple raffinement visuel. Pour Google DeepMind, c’est le cœur de WeatherNext 3, sa nouvelle génération de modèle météo IA, désormais pensée pour des prévisions horaires plus fines sur la température, l’humidité ou la vitesse du vent.
Ce gain de résolution compte tout de suite pour les usages concrets. Une prévision plus locale change la lecture d’un territoire, surtout quand une variable bouge très vite d’un point à l’autre.
Une maille cinq fois plus fine, et heure par heure
Avec WeatherNext 3, Google DeepMind pousse un cran plus loin le niveau de détail déjà apporté par la version précédente. Le modèle affine ses sorties sur plusieurs indicateurs clés, mais l’écart le plus net vient de la combinaison entre cadence horaire et maille de 5 kilomètres carrés. Pour des acteurs qui opèrent sur des zones précises, on comprend vite l’intérêt.
C’est particulièrement vrai dans les renouvelables. DeepMind met en avant la capacité du modèle à prévoir la vitesse du vent à 100 mètres de hauteur, en gros au niveau des turbines, ainsi que la couverture nuageuse et le rayonnement solaire en haute résolution pour aider les fermes solaires.
Le vrai basculement, c’est la donnée satellite en direct
Si le modèle gagne en finesse, c’est d’abord parce qu’il change de matière première. Là où les approches reposaient surtout sur des modèles numériques de prévision, avec un retard d’environ six heures, WeatherNext 3 intègre des données satellite en direct. Résultat, une vue de l’atmosphère qui se met à jour en continu.
Et ce n’est pas anecdotique. Le modèle absorbe aussi des données éparses de stations météo, ce qui lui permet d’affiner des variables comme l’humidité. Un point important, parce que ce type d’indicateur peut varier fortement d’un kilomètre à l’autre.
Pluie, neige et énergie, les cas d’usage deviennent plus concrets
Sur les précipitations, Google DeepMind revendique un progrès très net. En combinant les données de la NASA avec ses propres analyses satellite, le groupe affirme obtenir des prévisions de pluie et de neige jusqu’à 50 % plus précises, avec les gains les plus visibles dans les régions où la fiabilité a longtemps été plus faible. Clairement, c’est le genre d’amélioration qui compte plus qu’un point de score abstrait.
La diffusion du modèle dans l’écosystème Google dit aussi beaucoup de son importance. WeatherNext 3 doit alimenter les expériences météo de Google Search, de l’app Gemini et de Google Maps, mais aussi la Google Maps Weather API et Google Earth Engine. Ceux qui veulent le tester peuvent déjà passer par Google Weather Lab. Et pour aller plus loin côté développement, le modèle d’origine WeatherNext est en open source depuis août 2026.
