Google Deepmind : WeatherNext redéfinit la prévision cyclonique

Google Deepmind : WeatherNext redéfinit la prévision cyclonique

WeatherNext de Google Deepmind prédit les trajectoires et l'intensité des cyclones simultanément. L'IA de Deepmind prévoit les cyclones tropicaux avec une précision supérieure à celle des modèles spécialisés, tout en utilisant des données environ cent fois moins détaillées. La manière dont cela est réalisé reste floue même pour les développeurs.

Google Deepmind introduit WeatherNext Cyclones, ou WN-C, un système d'IA pour la prévision des cyclones tropicaux qui peut anticiper environ un jour plus loin dans le futur que les modèles opérationnels leaders. Cette amélioration correspond aux progrès réalisés par les modèles météorologiques traditionnels au cours de la dernière décennie.

Le modèle a été développé en collaboration avec le National Hurricane Center (NHC), le Cooperative Institute for Research in the Atmosphere, et le UK Met Office. Depuis juin 2025, les prévisions sont diffusées en direct sur le Weather Lab de Google. Lors de l'ouragan Melissa, qui a touché terre en Jamaïque en 2025, le modèle a aidé le NHC à prévoir la rapide intensification de la tempête à temps, selon Deepmind. Cela se produit lorsqu'une tempête gagne au moins 30 nœuds (environ 34 mph) en vitesse de vent en 24 heures.

WN-C résout un compromis vieux de plusieurs décennies

La prévision des cyclones a longtemps souffert d'un compromis. Les modèles globaux comme le système d'ensemble de l'ECMWF sont efficaces pour prédire la trajectoire, mais trop grossiers pour l'intensité. Les modèles régionaux spécialisés comme le Hurricane Analysis and Forecast System (HAFS) fournissent des lectures d'intensité plus précises, mais perdent en précision sur la trajectoire. WN-C gère les deux dans un seul système, selon un article publié dans Nature.

Pour une prévision de cinq jours, la position estimée du centre de la tempête est erronée en moyenne de 230 kilomètres, contre 370 kilomètres pour l'ENS et 335 kilomètres pour le modèle précédent de Deepmind, GenCast. Sur les prévisions d'intensité à trois jours, WN-C est 3,75 nœuds (environ 4,3 mph) plus précis que le HAFS.

WN-C obtient également plus du double des résultats de l'ENS et de GenCast sur les prévisions probabilistes d'intensité des tempêtes sur de nombreux délais. Pour la probabilité de vents à 64 nœuds, le seuil où une tempête atteint la force d'un ouragan, le modèle offre une valeur pratique plus élevée pour la prise de décision que l'ENS, selon Deepmind.

Données grossières, prévisions plus précises

WN-C fonctionne avec une grille de données où chaque point couvre environ 28 kilomètres, soit environ cent fois moins détaillé que les modèles régionaux spécialisés. Même une variante compacte avec 111 kilomètres par point de grille produit des résultats compétitifs, selon Deepmind.

Les auteurs écrivent que "la haute résolution n'est pas une condition stricte pour une prévision d'intensité à la pointe de la technologie". Les données météorologiques grossières semblent contenir plus d'informations sur la force des tempêtes que quiconque ne l'avait pensé. La manière dont les modèles génèrent des prévisions aussi précises à cette résolution reste une question de recherche ouverte.

Réseaux génératifs fonctionnels remplacent la diffusion

WN-C utilise des Réseaux Génératifs Fonctionnels (FGN). GenCast s'appuie sur la diffusion, une méthode mieux connue des générateurs d'images IA, et nécessite des dizaines de passes à travers le réseau neuronal par étape de prévision. FGN se contente d'un seul passage, le rendant huit fois plus rapide.

Pour capturer l'incertitude, le système n'ajoute pas de bruit aux pixels individuels comme le font la plupart des approches. Au lieu de cela, il injecte du bruit dans les couches de contrôle du réseau. Cela produit des scénarios différents mais physiquement cohérents plutôt que de simples variantes bruyantes de la même sortie.

L'entraînement sur deux sources de données très différentes a été crucial. L'équipe a utilisé près de 20 téraoctets de données atmosphériques mondiales provenant des analyses de l'ECMWF, ainsi qu'une base de données soigneusement sélectionnée d'environ 5 000 cyclones historiques. Pour permettre au modèle d'apprendre des deux sources ensemble, les données tabulaires des tempêtes, y compris la position, l'intensité et l'étendue, sont projetées sur la même grille géographique que les données météorologiques.

Cela permet au réseau de prédire directement la trajectoire, l'intensité et les rayons de vent. Les études d'ablation dans l'article montrent que cet entraînement conjoint est ce qui entraîne les améliorations.

1 000 scénarios par tempête

Une prévision de 15 jours s'exécute en moins d'une minute sur l'un des puces AI de Google, permettant à Deepmind d'augmenter le nombre de prévisions parallèles de 50 à 1 000. De grands ensembles comme celui-ci pourraient aider à capturer des événements extrêmes rares de manière plus fiable. L'Indice de Succès Critique, qui pèse les avertissements corrects contre les fausses alertes et les événements manqués, passe de moins de 0,3 à 0,5, selon l'article.

La ligne bleue de WN-C atteint les niveaux d'erreur de l'ENS, de GenCast et de HAFS environ un jour plus tard dans chaque cas, ce qui représente un jour supplémentaire de temps d'avertissement en pratique. À l'horizon de cinq jours, l'erreur de position est de 230 kilomètres au lieu de 370.

Un complément, pas un remplacement

Les modèles numériques traditionnels restent importants, selon Deepmind. Le NHC combine généralement les résultats de plusieurs modèles basés sur la physique en une moyenne pondérée pour ses prévisions officielles, réparties entre la trajectoire (TVCN) et l'intensité (IVCN). Dans une addition pondérée simulée à ces modèles de consensus, WN-C améliore les prévisions de trajectoire de 28 % en moyenne. Pour l'intensité, le gain est d'environ 6 %. L'amélioration d'intensité plus faible montre que les modèles traditionnels contribuent encore fortement dans ce domaine.

Les erreurs de position de l'ENS et les erreurs d'intensité du HWRF ont diminué lentement depuis 2005. Les points de données bleus à partir de 2023 montrent que WN-C a gagné autant en une seule étape que les modèles traditionnels n'ont réussi à le faire en environ une décennie.

Un modèle des années en préparation

Deepmind a rendu tout cela publiquement disponible, en publiant le code et les poids pour WeatherNext 2 et WeatherNext Cyclones sur GitHub. La variante mini fonctionne sur un seul TPU dans un notebook Colab gratuit. Pour les avertissements officiels, les auteurs orientent toujours les utilisateurs vers les services météorologiques nationaux. WN-C est destiné à soutenir les prévisionnistes, pas à les remplacer.

L'année dernière, Deepmind a introduit WeatherNext 2, l'IA météorologique sous-jacente qui est maintenant open-source avec la variante cyclone. En juin 2025, Deepmind et Google Research ont lancé Weather Lab, une plateforme conçue pour la prévision des cyclones dont le modèle expérimental est devenu WeatherNext Cyclones. La collaboration avec le NHC et le CIRA était déjà en place à ce moment-là.

Avant cela, Deepmind a publié GenCast fin 2024, le premier modèle météorologique probabiliste à battre l'ensemble de l'ECMWF, également open-source. WN-C remplace l'approche de diffusion de GenCast par la méthode FGN plus rapide et élargit le champ d'application aux cyclones tropicaux.

Cependant, le bilan de Google en matière de prévisions n'a pas toujours été aussi solide. Son système Android Earthquake Alerts a gravement sous-estimé les tremblements de terre en Turquie en 2023, évaluant un tremblement de terre de 7,8 à seulement 4,5 à 4,9 et envoyant seulement 469 avertissements critiques alors que des millions auraient dû être alertés.

Cet accomplissement scientifique intervient durant une période turbulente pour Deepmind. Le PDG Demis Hassabis a récemment pris du recul par rapport aux opérations quotidiennes pour devenir le scientifique en chef d'Alphabet, tandis que le chercheur en chef Jeff Dean a quitté après 27 ans pour co-fonder la startup IA Discovery Loop avec plusieurs autres chercheurs seniors.