WeatherNext 3 actualise ses prévisions mondiales toutes les heures

Google déploie WeatherNext 3, un modèle météorologique mondial alimenté par des observations satellitaires récentes, actualisé chaque heure et proposé jusqu’à une résolution de cinq kilomètres pour certaines variables.

Une nouvelle prévision mondiale peut désormais être lancée chaque heure, au lieu d’attendre l’un des quatre grands cycles météorologiques quotidiens. Avec WeatherNext 3, Google rapproche son modèle des observations les plus récentes et affine certaines données de surface jusqu’à une résolution d’environ cinq kilomètres.

Présenté le 3 septembre 2026, WeatherNext 3 succède à WeatherNext 2, qui produisait principalement ses prévisions à une résolution de 25 kilomètres et selon des cycles espacés de six heures. La nouvelle version peut générer des estimations horaires couvrant les quinze jours suivants, avec une actualisation complète toutes les six heures et des lancements intermédiaires chaque heure pour les premières 48 heures.

L’amélioration ne consiste cependant pas à convertir uniformément l’ensemble de l’atmosphère en une carte de cinq kilomètres. Google utilise plusieurs niveaux de précision selon les variables. Les températures et points de rosée calibrés à partir des stations sont proposés sur une grille de 0,05 degré, soit environ cinq kilomètres. Les principales variables de surface sont calculées à 0,1 degré, soit approximativement dix kilomètres. Les données atmosphériques réparties sur treize niveaux de pression restent à 0,25 degré, proche de 25 kilomètres.

Cette distinction est importante, car la résolution la plus fine mise en avant par Google ne s’applique pas à chaque sortie. Elle ne transforme pas non plus une prévision mondiale en observation à l’échelle d’une rue. Une maille de cinq kilomètres peut encore contenir des reliefs, des zones bâties, des plans d’eau et plusieurs microclimats que le modèle ne représente pas séparément.

WeatherNext 3 produit des prévisions probabilistes. Pour chaque échéance, il génère un ensemble de 64 scénarios possibles plutôt qu’un seul futur considéré comme certain. Leur dispersion sert à estimer l’incertitude : si les membres convergent, la situation est relativement stable ; s’ils divergent, la prévision doit être interprétée avec davantage de prudence.

Cette approche est particulièrement utile pour la pluie, les tempêtes et les trajectoires cycloniques, dont de petites différences initiales peuvent modifier fortement l’évolution. Les interfaces destinées aux développeurs peuvent fournir une moyenne, une médiane ou différents quantiles. Les données complètes hébergées dans Google Cloud Storage permettent aussi d’examiner séparément les 64 membres de l’ensemble.

Le modèle couvre notamment la température, l’humidité, la pression, le vent à dix et cent mètres, les précipitations, la couverture nuageuse, le rayonnement solaire, la température de surface de la mer et plusieurs variables atmosphériques. Des sorties spécialisées sont également consacrées aux stations météorologiques et au suivi des cyclones tropicaux.

La principale évolution se situe dans les données reçues au début de chaque prévision. WeatherNext 3 utilise deux états atmosphériques espacés de six heures, auxquels s’ajoutent les douze dernières mosaïques satellitaires disponibles heure par heure. Ces mosaïques réunissent onze canaux issus de satellites géostationnaires et fournissent une vue presque continue des nuages, de la vapeur d’eau et d’autres caractéristiques de l’atmosphère.

Les données satellitaires les plus récentes arrivent avec un décalage légèrement inférieur à une heure, tandis que les analyses atmosphériques traditionnelles employées par le système peuvent avoir environ cinq heures de retard. Les lancements intermédiaires utilisent donc les nouvelles observations satellitaires pour rapprocher la prévision de la situation en cours, même lorsqu’une nouvelle analyse complète n’est pas encore disponible.

Cette organisation explique les actualisations horaires annoncées par Google. Il ne s’agit pas d’un réentraînement intégral à chaque heure, mais d’une nouvelle exécution fondée sur les dernières entrées accessibles. Les cycles intermédiaires couvrent 48 heures. Les lancements réalisés toutes les six heures prolongent ensuite la prévision jusqu’à 360 heures, soit quinze jours.

WeatherNext 3 ne se contente pas des archives atmosphériques habituellement utilisées pour entraîner les modèles météorologiques. Il s’appuie toujours sur ERA5 et sur les analyses opérationnelles HRES du Centre européen pour les prévisions météorologiques à moyen terme, mais leur ajoute plusieurs sources d’observations plus directes.

Le jeu d’entraînement comprend ainsi les relevés d’environ 5 000 stations aéroportuaires METAR, auxquels s’ajoutent près de 15 000 stations Mesonet recensées en 2024. Des mesures effectuées par des navires et des bouées à travers la base ICOADS complètent ces données. Google a conservé à part 5 % des stations terrestres afin d’évaluer la capacité du modèle à produire des estimations dans des lieux qu’il n’avait pas rencontrés pendant son apprentissage.

Pour les précipitations, Google utilise les observations satellitaires IMERG de la NASA et PARDIG, une réanalyse interne combinant données satellitaires et radar. Le modèle possède une sortie spécialement entraînée pour se rapprocher de ces observations, en plus des estimations de pluie issues des analyses météorologiques conventionnelles.

Cette multiplication des références répond à une difficulté particulière : la quantité de pluie réellement tombée demeure complexe à établir à l’échelle mondiale. Les satellites, les radars, les pluviomètres et les réanalyses ne mesurent pas exactement la même chose et ne possèdent pas les mêmes biais. Un modèle peut donc obtenir un résultat différent selon la source choisie pour l’évaluation.

Dans son article technique, Google rapporte des réductions de l’erreur probabiliste atteignant 60 % par rapport à WeatherNext 2 et à l’ensemble du Centre européen lorsque les prévisions sont comparées à IMERG à courte échéance. Le gain atteint jusqu’à 30 % avec le radar américain MRMS et environ 10 % face aux pluviomètres dans les premières heures.

Les améliorations seraient particulièrement visibles