WeatherNext 3 : Google DeepMind fait entrer la météo mondiale dans l’heure par heure

Consulter la météo du lendemain est un geste banal. Ce qui l’est moins, c’est la mécanique qui se cache derrière ces quelques icônes. Depuis des décennies, les grands centres de prévision font tourner des simulations physiques de l’atmosphère sur des supercalculateurs, avec une nouvelle mise à jour toutes les six heures environ. Google DeepMind propose désormais un autre rythme. WeatherNext 3, présenté le 3 septembre 2026 avec Google Research, est décrit par l’entreprise comme « le premier modèle météo mondial qui génère des prévisions à chaque heure de la journée ».

Le changement n’est pas seulement une question de cadence. Le nouveau modèle lit directement les images des satellites géostationnaires, affine sa grille jusqu’à 5 km pour certaines variables et alimente déjà, sans que l’utilisateur s’en aperçoive, les résultats météo affichés dans Google Search, Google Maps et l’application Gemini. Voici ce qu’il apporte, comment il fonctionne et ce qu’il ne promet pas.

Que change vraiment une prévision toutes les heures ?

Les systèmes de prévision classiques, comme ceux du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), suivent des cycles dits synoptiques : le modèle est relancé à 0 h, 6 h, 12 h et 18 h UTC à partir d’une photographie de l’atmosphère appelée analyse. Entre deux cycles, la prévision vieillit : un orage qui se forme à 14 h n’est intégré qu’au calcul suivant.

WeatherNext 3 conserve ces quatre grands cycles, qui portent la prévision jusqu’à 15 jours (360 heures), mais il ajoute des exécutions intermédiaires à chacune des vingt autres heures de la journée. Ces runs horaires couvrent les 48 heures suivantes, l’horizon où une mise à jour rapide a le plus de valeur : averses, rafales, chute brutale de température ou évolution d’une tempête. Pour un lecteur qui prépare un déplacement, une sortie en mer ou une récolte, cela signifie une prévision qui intègre les observations les plus récentes, et non celles d’il y a plusieurs heures.

Des satellites en entrée directe du modèle

La nouveauté technique la plus marquante tient aux données d’entrée. Jusqu’ici, les modèles d’IA météo de DeepMind partaient d’une analyse produite par un centre de prévision, c’est-à-dire d’une reconstruction déjà traitée de l’état de l’atmosphère. WeatherNext 3 ingère en plus des mosaïques d’images de satellites géostationnaires en temps réel, ces satellites fixes au-dessus d’un point du globe qui photographient les nuages en continu.

D’après la documentation technique publiée par Google, le modèle combine ces observations satellitaires avec l’analyse à haute résolution HRES de l’ECMWF. L’architecture reste celle inaugurée par WeatherNext 2, un réseau génératif fonctionnel (Functional Generative Network) construit sur un transformeur à maillage, qui produit un ensemble de 64 membres. Autrement dit, le modèle ne livre pas une seule trajectoire mais 64 scénarios plausibles, dont la dispersion mesure l’incertitude de la prévision. Google affirme que l’exploitation directe des images satellites donne « des prévisions nettement plus précises, y compris dans des lieux que le modèle n’a pas rencontrés pendant son entraînement ».

Résolutions et variables : ce que le modèle sait prévoir

WeatherNext 3 ne travaille pas à une seule échelle. Il produit ses sorties sur trois grilles emboîtées, adaptées à la nature de chaque variable.

Le pas de temps est horaire sur l’ensemble de l’horizon. Pour comparaison, WeatherNext 2, sorti en juin 2025, travaillait à 0,25° avec un pas de six heures, et WeatherNext 1 Gen (GenCast) à 0,25° avec un pas de douze heures. Le gain de finesse est donc net sur les variables de surface, celles qui comptent le plus au quotidien.

Déjà dans Google Search, Maps et Gemini

Contrairement à de nombreux modèles de recherche, WeatherNext 3 n’est pas resté dans un laboratoire. Google indique qu’il alimente désormais les résultats météo de Google Search, de Google Maps et de l’application Gemini, ainsi que l'API météo de Google Maps Platform utilisée par les développeurs d’applications. Pour des centaines de millions de personnes, la prévision consultée en tapant « météo Lyon » provient donc, au moins en partie, de ce modèle.

Les données brutes sont aussi mises à disposition des chercheurs et des entreprises. Elles sont accessibles via BigQuery, Google Earth Engine et Google Cloud Storage au format Zarr, un format pensé pour les grands tableaux scientifiques. Les prévisions en temps réel relèvent des conditions d’utilisation expérimentales de Google DeepMind, tandis que les données historiques, âgées de plus d’une heure, sont publiées sous licence Creative Commons BY 4.0, donc librement réutilisables avec attribution. Un espace baptisé Weather Lab, explicitement présenté comme une plateforme de recherche expérimentale, permet d’explorer les sorties du modèle.

Énergies renouvelables, ouragans : les usages visés

Google met en avant un débouché précis : la production d’électricité renouvelable. Un parc éolien ou solaire vend son électricité sur des marchés qui fonctionnent heure par heure, et l’écart entre production annoncée et production réelle coûte cher. WeatherNext 3 fournit justement, à 10 km et chaque heure, la couverture nuageuse, le rayonnement solaire et le vent à 100 m, la hauteur typique des moyeux d’éoliennes. C’est ce que les gestionnaires de réseau appellent la prévision de production, un maillon clé pour intégrer davantage de renouvelables sans déstabiliser le réseau.

L’autre terrain est celui des phénomènes extrêmes. Google DeepMind rappelle que ses modèles WeatherNext ont assisté le National Hurricane Center américain pour anticiper l’arrivée sur la Jamaïque de l’ouragan Melissa. L’approche par ensemble, déjà au cœur de GenCast, y est décisive : elle donne une fourchette de trajectoires plutôt qu’une ligne unique. Nous en avions détaillé le principe dans GraphCast et GenCast, l’IA qui affine les prévisions de tempêtes à 15 jours.

Les limites à garder en tête

Plusieurs points méritent de la prudence. D’abord, Google n’a pas publié, au moment de l’annonce, de comparaison chiffrée détaillée face aux modèles de référence de l’ECMWF pour cette version précise ; les affirmations de précision restent qualitatives. Ensuite, la finesse de 5 km concerne deux variables seulement, calibrées sur les stations météo : le relief, les effets urbains ou les brises côtières restent difficiles à capturer pour n’importe quel modèle mondial. Enfin, un modèle appris sur le passé peut être pris en défaut par des situations rares ou inédites, même si Google souligne ses bons résultats sur des zones absentes de l’entraînement.

Il faut aussi rappeler que les services météorologiques nationaux, comme Météo-France, restent responsables des alertes officielles. Les modèles d’IA s’ajoutent à leur boîte à outils, et plusieurs centres, dont l’ECMWF, développent leurs propres systèmes d’apprentissage automatique. La concurrence porte autant sur la qualité des données d’observation que sur les algorithmes, comme nous l’expliquions dans Prévisions météo : comment l’IA de Google DeepMind transforme les modèles.

Ce qu’il faut surveiller

La première chose à observer sera la vérification indépendante. Les centres de prévision et les chercheurs disposent des données publiées sous licence ouverte pour mesurer, sur plusieurs mois, si les runs horaires améliorent réellement la prévision des précipitations et du vent à courte échéance. La seconde est l’appropriation par les acteurs de l’énergie : si les gestionnaires de parcs et de réseaux adoptent ces prévisions horaires, l’effet sur l’intégration des renouvelables pourrait être tangible. Enfin, la question de la dépendance se posera : lorsque la météo d’un moteur de recherche, d’une application de cartes et d’un assistant repose sur un même modèle privé, la transparence de ses performances et de ses limites devient un sujet d’intérêt public.