DeepMind dévoile WeatherNext 3 : la météo mondiale prévue heure par heure à 5 km de résolution

Chaque jour, la météo influence des milliards de décisions : sortir un parapluie, décaler un vol, arroser un champ ou déclencher une alerte canicule. Le 3 septembre 2026, Google DeepMind et Google Research ont annoncé WeatherNext 3, leur modèle de prévision météo par IA le plus avancé à ce jour. Selon les évaluations indépendantes en direct menées par Brightband, il s'agit du modèle météo mondial le plus précis disponible actuellement.

Derrière l'annonce technique se cache une évolution de fond : les modèles d'IA rattrapent, puis dépassent progressivement les simulations physiques traditionnelles qui équipent les agences météo depuis des décennies. Et cette fois, le progrès ne reste pas confiné au laboratoire : il est déployé directement dans Search, Gemini, Google Maps et Google Maps Platform.

Un modèle qui apprend du monde réel, pas seulement de simulations

Pour comprendre l'apport de WeatherNext 3, il faut revenir à une limite structurelle des modèles actuels. La plupart des modèles météo par IA, WeatherNext 2 inclus, sont entraînés sur les sorties de modèles de prévision numérique (NWP) : d'immenses simulations physiques tournant sur des supercalculateurs. Ces modèles, aussi utiles soient-ils, comportent un décalage de données de six heures. Un décalage qui induit des biais sur les variables qui changent vite, comme la pluie ou la température de surface.

WeatherNext 3 change de matière première. Le modèle apprend directement :

• des mosaïques d'observations satellite géostationnaires, rafraîchies chaque heure, qui offrent une vue continue de l'atmosphère ;
• des relevés épars de stations météo au sol, ce qui lui permet de capter les variations locales, là où température et humidité peuvent fluctuer fortement sur quelques kilomètres seulement, près des côtes, des vallées ou des reliefs.

Conséquence concrète : une nouvelle prévision est produite chaque heure, ancrée dans les observations satellite les plus récentes. Quand une tempête, un front ou un système de précipitations se forme brutalement, ce cycle de mise à jour rapproché donne des informations plus tôt et plus détaillées, exactement ce dont une réponse efficace a besoin.

Une résolution cinq fois plus fine que la génération précédente

La précision d'une prévision tient aussi à son niveau de détail, spatial et temporel. WeatherNext 3 génère des prévisions horaires à plusieurs résolutions, en conservant une cohérence physique des grands courants mondiaux jusqu'au relief local :

• 5 km de résolution pour les variables de surface clés comme la température et l'humidité ;
• 10 km pour les autres variables de surface ;
• 25 km pour les variables atmosphériques comme la vitesse du vent.

Au global, l'image météo obtenue est environ cinq fois plus fine que celle de WeatherNext 2, qui travaillait sur une grille de 25 km par tranches de 6 heures. Un exemple frappant présenté par DeepMind porte sur la température à 2 mètres au Royaume-Uni : là où l'ancien modèle produisait des cartes lissées et « pixellisées », WeatherNext 3 restitue les détails fins du relief local.

Précipitations : le vrai point faible des modèles mondiaux, corrigé

Les modèles météo mondiaux sont historiquement mauvais sur la pluie et la neige. Ces systèmes sont pilotés par des processus nuageux minuscules et mouvants, difficiles à simuler avec la physique classique. Résultat : des prévisions floues ou des frontières de tempêtes sévères complètement manquées.

Pour y répondre, DeepMind a entraîné son modèle sur deux sources de données de précipitations de très haute qualité : IMERG de la NASA (données satellite intégrées multi-satellites du programme GPM) et la propre réanalyse de précipitations de Google, fondée sur des radars satellite.

Les résultats chiffrés annoncés sont éloquents. Sur les prévisions mondiales à moyenne échéance, les évaluations contre les références montrent une amélioration du score CRPS (Continuous Ranked Probability Score, une métrique standard de qualité probabiliste) pouvant atteindre :

• 60 % contre IMERG ;
• 30 % contre MRMS ;
• 10 % contre les mesures de pluviomètres, pour les premières échéances.

Sur les produits Google, la promesse est formulée simplement : pour planifier un événement à un jour ou plus, les utilisateurs verront des prévisions de précipitations jusqu'à 50 % plus précises, avec les plus fortes améliorations justement dans les régions où elles étaient historiquement les moins fiables.

Des variables pensées pour l'énergie propre

Une nouveauté mérite d'être soulignée : WeatherNext 3 introduit des prévisions conçues pour la production d'énergie renouvelable. Le modèle prévoit la vitesse du vent à 100 mètres d'altitude, soit approximativement la hauteur des pales d'une éolienne, pour estimer finement la production éolienne. Il fournit aussi la couverture nuageuse et le rayonnement solaire à haute résolution, pour que les fermes solaires puissent anticiper la lumière réellement reçue au sol.

Pour les gestionnaires de réseau et les développeurs d'énergies renouvelables, c'est un outil d'équilibrage : prévoir précisément ce que leurs installations produiront, et aligner cette production sur la demande des consommateurs.

Là où l'IA change vraiment la donne : les pays mal desservis

C'est peut-être l'impact le plus significatif de cette annonce. Les modèles régionaux à haute résolution traditionnels coûtent une fortune en supercalcul, ce qui a privé de prévisions fines des régions entières d'Amérique latine, d'Afrique et d'Asie-Pacifique. WeatherNext 3, entraîné directement sur les observations, apporte une prévision localisée à 5 km, sans nécessiter d'infrastructure de supercalculateur locale.

Concrètement, cela touche des usages vitaux : anticipation des tempêtes et des canicules pour les services d'urgence, planification des trajectoires de vol pour le contrôle aérien, gestion des cultures pour les agriculteurs. Une meilleure prévision des événements extrêmes, c'est aussi des alertes précoces qui arrivent plus tôt, et des vies potentiellement sauvées.

Disponible dès aujourd'hui, partout

WeatherNext 3 n'est pas une démo de laboratoire. DeepMind annonce une intégration immédiate à son écosystème :

• Produits grand public : Google Search, l'application Gemini, Google Maps et la Weather API de Google Maps Platform l'utilisent dès aujourd'hui, avec des prévisions à plus long terme nettement améliorées.
• Données pour développeurs et chercheurs : les prévisions mondiales, mises à jour chaque heure, sont interrogeables dans BigQuery et Earth Engine, ou téléchargeables en masse depuis Google Cloud Storage, sans configuration de modèle.
• Visualisation en direct : le modèle est visible en temps réel dans Weather Lab, et son classement est suivi sur le classement indépendant en direct de Brightband.

Conclusion

WeatherNext 3 illustre un pan de l'IA dont on parle moins que des chatbots, mais qui produit des bénéfices mesurables et universels : mieux prévoir la météo, c'est mieux protéger les populations, produire l'énergie propre au bon moment et aider l'agriculture à s'adapter au climat. En apprenant directement du monde réel, depuis les satellites jusqu'aux stations météo, plutôt qu'à partir de simulations, ce modèle franchit une étape que les simulations physiques peinaient à franchir seules.

L'atmosphère gardera toujours une part d'imprévisibilité, comme le rappelle DeepMind. Mais à mesure que ces modèles progressent, l'écart se réduit entre ce que la météo fait réellement et ce que nous arrivons à prévoir. C'est exactement le genre de progrès que l'IA peut apporter à l'humanité, à condition de le rendre accessible à tous : c'est précisément le pari de cette intégration mondiale.

Sources

• Google DeepMind, « Introducing WeatherNext 3, our most advanced and accurate global weather AI model », 3 septembre 2026
• Google Blog, « WeatherNext 3: Our most advanced global weather AI model », 3 septembre 2026
• Brightband, classement indépendant en direct des modèles météo IA
• Google Developers, « Build with WeatherNext 3 »