Google DeepMind a lancé le 3 septembre WeatherNext 3, la nouvelle version de son modèle de prévision météo par IA. Contrairement aux modèles physiques classiques, il apprend directement des observations en temps réel : images satellite géostationnaires et relevés de stations. Et il n'est pas cantonné à la recherche : ses prévisions alimentent dès maintenant la météo affichée dans Google Search, l'appli Gemini, Google Maps, l'API Weather de Google Maps Platform et Google Cloud.
- Grille de 5 km (contre 25 km pour WeatherNext 2), prévisions recalculées toutes les heures au lieu de toutes les six heures, entraînement direct sur les relevés de stations et un flux satellite en direct
- Jusqu'à 60 % de précision en plus sur les précipitations face aux données satellite IMERG de la NASA, 30 % face au radar MRMS, 10 % face aux pluviomètres ; tous ces chiffres sont des « jusqu'à », des meilleurs cas, chacun mesuré contre une référence différente
- Classé premier sur le classement indépendant Operational WeatherBench de Brightband devant l'IFS du Centre européen et le GFS américain, mais les poids ne sont pas ouverts et Google le qualifie lui-même d'expérimental
Ce qui change vraiment : le modèle n'attend plus les données des agences
La plupart des modèles météo par IA, y compris les précédents WeatherNext, partent d'un jeu de données assemblé par le Centre européen (ECMWF), qui demande environ cinq heures de compilation et ne se rafraîchit que toutes les six heures. D'où un décalage typique de sept heures entre ce que le ciel fait et ce que la prévision sait. WeatherNext 3 garde l'analyse ECMWF comme base mais y ajoute une mosaïque satellite en direct, ce qui lui permet de se réinitialiser chaque heure et de ramener le décalage à trois ou quatre heures. Ilan Price, chercheur senior chez DeepMind, résume l'idée : gagner en précision en n'attendant pas la prochaine date d'analyse.
Deuxième nouveauté, la « tête station » : le modèle est entraîné directement sur les mesures METAR et Mesonet des stations au sol, ce qui réduit l'erreur de température à 2 mètres jusqu'à 30 % par rapport à WeatherNext 2 et jusqu'à 40 % par rapport à l'ensemble ECMWF sur les courtes échéances. Sur les précipitations, le point faible historique des modèles globaux, il apprend de trois sources à la fois : réanalyse ECMWF, satellite IMERG et une réanalyse satellite-radar propre à Google.
Les limites sont posées par Google lui-même et par la communauté. Chaque chiffre est un maximum, pas une moyenne ; les références ne sont pas comparables entre elles. Un modèle appris sur l'historique est le plus fort sur ce qui ressemble à ce qu'il a vu : les événements sans précédent restent en bord de distribution. Sur les 30 à 90 prochaines minutes, le radar en direct reste plus fiable qu'un modèle de prévision. Les poids ne sont pas open source, l'inférence à la demande sur Cloud tourne encore sur WeatherNext 2, et les données passent par une liste d'accès. Enfin, la startup WindBorne conteste le « premier » de Google : son WeatherMesh 6 intègre des observations brutes de ballons depuis fin 2025.
Mon avis : l'événement n'est pas le benchmark, c'est le déploiement. Un modèle statistique remplace la chaîne physique dans la réponse météo de la première page de résultats au monde, sans que l'utilisateur voie la différence. Les avertissements officiels de vigilance restent du ressort de Météo-France et des agences nationales, et Google le rappelle.
Ce que ça change pour vous
Si vous exploitez des données météo dans un produit (tourisme, événementiel, énergie, agriculture, logistique), l'API Weather de Google Maps Platform sert maintenant ces prévisions horaires à 5 km, avec des variables nouvelles : vent à 100 mètres (hauteur d'éolienne), couches nuageuses et rayonnement solaire. Pour les acteurs des renouvelables, c'est la première fois qu'un modèle IA global sort directement ces paramètres.
Si vous faites du SEO sur des requêtes météo ou saisonnières, notez que la réponse de Google devient plus locale et plus fraîche : les pages génériques « météo à Lyon » ont encore moins de raison d'exister face au module intégré. Ce qui reste captable, c'est l'interprétation métier de la météo, pas la donnée.
- Si tu consommes une API météo, compare sur deux semaines les prévisions horaires WeatherNext 3 (API Weather de Maps Platform) avec ta source actuelle sur tes zones cibles, précipitations en priorité
- Pour un usage sur les 90 prochaines minutes (alertes, opérations terrain), garde une source radar : le modèle améliore les heures à quelques jours, pas l'immédiat
- Si tu veux les données brutes, demande l'accès BigQuery ou Earth Engine dès maintenant : l'allowlist prend du temps et l'ensemble complet à 64 membres n'est disponible que par là
Sources
- Google DeepMind - Introducing WeatherNext 3 (3 septembre 2026)
- Google for Developers - WeatherNext 3, documentation technique
- Article de recherche WeatherNext 3 - comparaison avec l'ensemble ECMWF
- TechCrunch - entretien avec Ferran Alet (DeepMind)
- RainyMap - lecture critique des chiffres annoncés
Source : Blog.google
Cet article a été rédigé avec l’assistance d’un modèle de langage (LLM).
