L’essentiel
- Google DeepMind et Google Research ont présenté le 3 septembre WeatherNext 3, un modèle qui apprend directement sur des mosaïques satellites géostationnaires rafraîchies toutes les heures.
- Résolution de 5 km sur les variables de surface clés et prévision horaire, contre une grille de 25 km toutes les six heures pour WeatherNext 2 ; les scores sur les précipitations progressent de 60 %.
- Le modèle alimente Search, Maps, Gemini, Google Maps Platform et Cloud, et devance sur l’évaluation Operational WeatherBench de Brightband les modèles de Microsoft, de Nvidia et de l’ECMWF.
Depuis le 3 septembre, la température que Google Search, Maps et Gemini affichent ne sort plus d’un supercalculateur qui résout des équations de mécanique des fluides. Elle sort d’un réseau de neurones entraîné sur des images satellites. WeatherNext 3, présenté par Google DeepMind et Google Research, affine le bulletin. Il déplace aussi le lieu où la prévision se fabrique, et celui où elle se discute.
Des satellites bruts à la place de la simulation
La prévision numérique classique (NWP, pour numerical weather prediction) reconstitue d’abord l’état de l’atmosphère à un instant donné à partir des observations, puis fait tourner les équations de la physique sur des machines publiques. Le procédé est lent, coûteux, et il impose un délai : les analyses dont dépendent ces modèles arrivent avec six heures de retard.
Depuis que le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) a ouvert en 2018 plus d’un demi-siècle de données produites par ces systèmes, les modèles entraînés par apprentissage automatique ont grignoté le terrain. Ils apprenaient toutefois sur les sorties des simulations : ils imitaient donc un simulateur. WeatherNext 2 fonctionnait ainsi.
WeatherNext 3 change de matière première. Le système ingère des mosaïques d’images satellites géostationnaires actualisées chaque heure, en parallèle des analyses historiques, dans une architecture baptisée Functional Generative Network. Il produit à la fois des cartes globales, des trajectoires de cyclones et des valeurs prédites directement à l’emplacement des stations de mesure. Le modèle compte 2,4 fois plus de paramètres que son prédécesseur.
Cinq kilomètres, une heure, et la pluie
Les gains revendiqués par Google DeepMind sont substantiels. Les variables de surface clés, température et humidité, descendent à 5 kilomètres ; les autres variables de surface à 10 kilomètres ; les variables atmosphériques comme la vitesse du vent à 25 kilomètres. Soit une image globale environ cinq fois plus fine que WeatherNext 2, qui travaillait sur une grille de 25 kilomètres par pas de six heures.
La prévision se rafraîchit désormais toutes les heures et l’évaluation sur les précipitations s’améliore de 60 %, le point faible historique de ces modèles. Le bulletin y gagne en netteté. L’entraînement visant directement les stations compte davantage encore : en apprenant sur des coordonnées précises, le modèle se compare aux relevés réels, station par station.
L’arbitre est une startup
Google appuie sa revendication de précision sur le classement Operational WeatherBench, une évaluation en conditions réelles tenue par la startup Brightband. Elle place WeatherNext 3 devant les modèles appris de Microsoft, de Nvidia et de l’ECMWF, mais aussi devant les prévisions classiques du service météo américain, le National Weather Service, et du centre européen, sur la température, la vitesse du vent et l’humidité.
Une mesure par un tiers vaut mieux qu’une comparaison maison, et Brightband évalue en continu plutôt que sur un jeu de test figé. Ces classements mesurent toutefois des moyennes d’erreur sur des variables continues. Ils disent peu de l’événement qui coûte cher, l’orage violent qui se forme en deux heures, la crue éclair, la rafale locale. Ce sont pourtant ces cas qui décident si l’on ferme une école ou si l’on arrête un parc éolien.
Une prévision qu’on ne peut plus déboguer
Un modèle physique s’inspecte. Quand la prévision se trompe, un météorologue remonte à l’état initial retenu, au réglage appliqué aux orages, à la façon dont les observations ont été intégrées. La chaîne reste lisible parce qu’elle est écrite quelque part, et discutable parce qu’elle est publiée.
Un modèle appris ne livre qu’une sortie. Le contredire suppose d’en faire tourner un autre et de comparer après coup. Tant que plusieurs centres publics produisaient des prévisions divergentes, cette contradiction était permanente et gratuite. Elle devient coûteuse quand une seule sortie s’affiche par défaut dans les produits grand public et les API de Google, pour des milliards de consultations quotidiennes.
Le système continue pourtant de s’alimenter aux analyses traditionnelles produites par les agences publiques. L’autonomie du réseau est réelle sur la donnée fraîche, partielle sur le reste. Si le financement des observations publiques faiblit, la performance du modèle privé faiblira avec lui.
Brancher une météo apprise sans se lier les mains
Un produit qui consomme ces prévisions via Cloud ou Google Maps Platform hérite d’une dépendance logicielle ordinaire : un fournisseur unique, une version, un comportement qui bouge sans préavis. Elle se traite comme telle.
- Archiver les prévisions reçues avec leur horodatage, pour calculer soi-même l’erreur sur son propre périmètre géographique plutôt que de lire un classement mondial.
- Conserver un second flux, ECMWF ou agence nationale, au moins sur les décisions à enjeu, ne serait-ce que pour repérer les désaccords entre les deux.
- Traiter un changement de version du modèle comme une migration : les biais se déplacent, et les seuils d’alerte calibrés sur l’ancien comportement ne valent plus rien.
Ces précautions sont celles qu’on applique déjà à n’importe quelle API de modèle. La météo y entre à son tour.
Une prévision plus fine, rafraîchie chaque heure, profitera à l’agriculture, aux réseaux électriques et à la logistique, et personne de sérieux ne plaidera pour revenir à une grille de 25 kilomètres. Le partage, lui, reste inégal : Google diffuse ses prévisions et accepte une évaluation tierce, mais garde pour lui les poids de WeatherNext 3, quand l’ECMWF publie ceux de son propre modèle par apprentissage, AIFS, sous licence ouverte. Rejouer une prévision ratée reste donc possible côté européen, et hors d’atteinte sur le modèle qui s’affiche par défaut dans Search.
Mon avis
Le basculement des grandes agences météo vers des modèles appris me paraît acquis, et il fera du bien à la qualité des bulletins. Ce qui me gêne tient à l’endroit où celui-ci est branché : quand une seule sortie s’affiche par défaut sur Search, Maps et Gemini, la pluralité des prévisions disparaît des écrans bien avant de disparaître des laboratoires. J’attends de Google qu’il publie en continu le score réalisé face aux stations au sol, prévision par prévision, avec les erreurs comme avec les réussites. Sans cette trace, on demande à un milliard de personnes de croire sur parole un système qui n’a jamais à se justifier.
