Google a levé le voile aujourd’hui sur WeatherNext 3, une refonte importante de son modèle de prévision météo. D’après l’entreprise, cette nouvelle mouture doit livrer des prévisions mondiales plus rapides, plus fines et plus utiles dans la vie de tous les jours, avec un progrès marqué sur les précipitations, un terrain où la météo se trompe encore souvent.
Cette version s’appuie sur des observations satellites injectées en temps réel et sur des ensembles de données plus fournis que ceux de WeatherNext 2. Chez Google, on explique que cela permet d’actualiser les prévisions plus souvent, d’afficher certaines variables avec un niveau de détail supérieur et d’obtenir de meilleurs résultats, surtout quand il s’agit de phénomènes qui évoluent vite.
Le bond technique n’a rien d’anecdotique. WeatherNext 2, toujours selon Google, produisait des prévisions toutes les six heures sur une grille de 25 kilomètres.
Avec WeatherNext 3, Google dit pouvoir passer à des prévisions horaires et descendre, pour certaines variables comme la température ou l’humidité, jusqu’à une résolution de 5 kilomètres. Concrètement, cela peut donner des cartes plus faciles à lire et un suivi local plus convaincant quand le temps tourne rapidement.
Détail assez frappant, Google met aussi en avant le temps de calcul: une prévision à dix jours pourrait être obtenue en moins d’une minute sur une seule machine. Les systèmes numériques classiques, eux, reposent sur d’immenses calculateurs et peuvent réclamer plusieurs heures de traitement.
Le point le plus solide dans le discours de Google concerne toutefois la pluie et la neige. Le groupe affirme que WeatherNext 3 peut faire grimper jusqu’à 50 % la précision des prévisions de précipitations avec au moins un jour d’avance, en particulier sur les épisodes rapides.
Prévoir correctement une bande de pluie, une cellule orageuse ou une chute de neige reste l’un des exercices les plus délicats de la météorologie moderne.
Si ces gains se vérifient à grande échelle, ils intéresseront sans doute autant le grand public que les assureurs, les transports ou l’agriculture. Google ajoute que l’arrivée de données satellites en direct doit aussi aider à combler les vides dans les zones où les capteurs au sol manquent, avec des effets qui pourraient se voir encore plus en dehors des Etats-Unis et de l’Europe.
Google dit enfin viser le secteur des énergies renouvelables. Le modèle prend en compte des variables comme la vitesse du vent à 100 mètres d’altitude, soit grosso modo la hauteur de beaucoup d’éoliennes, afin d’anticiper plus finement la production à un moment où les réseaux électriques encaissent de plus en plus directement les variations de l’offre et de la demande.
Au passage, Google rappelle que GraphCast avait déjà fait mieux que le système HRES du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) sur plus de 90 % des variables testées dans ses travaux de recherche.
Reste qu’il faut garder la tête froide. Pour plusieurs spécialistes, ces modèles marquent une vraie avancée, mais ils ne remplacent ni les méthodes conventionnelles ni l’expertise humaine, surtout face à des événements extrêmes inédits, à la structure fine des tempêtes ou à certaines limites liées à l’effet « boîte noire ».
Suivez-moi sur Twitter : @pierrevitre