WeatherNext 3 cible l’énergie avec des prévisions horaires

Google lance WeatherNext 3, un modèle météo IA qui prévoit vent à 100 m, nuages et ensoleillement avec des mises à jour horaires. L’outil arrive dans l’écosystème Cloud et Maps, avec des variables pensées pour l’éolien et le solaire. Aucune grille tarifaire ni validation indépendante n’accompagne toutefois le lancement.

Validation absente et conditions d’accès encore floues

Google n’a publié aucune validation indépendante de tiers au lancement. L’entreprise renvoie à des évaluations en direct de Brightband, dont un classement est cité pour soutenir que WeatherNext 3 serait le modèle mondial le plus précis à ce jour. Aucun prix pour l’accès entreprise n’a été communiqué, et il n’est pas précisé si l’accès via BigQuery ou Earth Engine relève de frais Cloud standards ou d’une licence séparée. Pour un service public, le coût pèsera avant tout examen d’affirmations de précision. Côté technique, des rapports indiquent que le décalage de données reste de trois à quatre heures, contre environ sept auparavant, signe que la dépendance à la prévision numérique a été réduite mais pas supprimée.

Méthode annoncée et améliorations rapportées

WeatherNext 3 est présenté comme apprenant à partir d’observations réelles plutôt que de simulations. La génération précédente et la plupart des modèles IA s’appuient sur des sorties de prévision numérique avec un décalage d’environ six heures, susceptible d’introduire un biais sur des variables très dynamiques. Le nouveau système ingère des images géostationnaires en direct et des relevés de stations, avec des mosaïques satellites horaires combinées à des analyses historiques. Selon Ilan Price, le gain provient du recours aux informations les plus récentes sans attendre la prochaine analyse. Google rapporte des gains « jusqu’à » 60 % face au produit satellite IMERG, 30 % face aux radars MRMS et 10 % face aux pluviomètres pour des horizons précoces, en score probabiliste. L’affirmation d’une amélioration de 50 % des précipitations concerne les prévisions à un jour ou plus, ces pourcentages portant sur des références distinctes et représentant des meilleurs cas.

Accès entreprise via BigQuery, Earth Engine et Cloud Storage

Les prévisions sont requêtables directement dans BigQuery, disponibles comme couche dans Earth Engine et téléchargeables en masse via Google Cloud Storage, sans configuration de modèle côté client. En parallèle, la couche grand public est activée dans Google Search, l’application Gemini, Google Maps et l’API Google Maps Platform Weather.

Variables énergie et cadence horaire face à WeatherNext 2

La publication de WeatherNext 3, datée du 3 septembre, marque l’ajout de variables essentielles pour le secteur énergétique : la vitesse du vent mesurée à 100 mètres, la couverture nuageuse ainsi que l’ensoleillement de surface, toutes mises à jour chaque heure. Ce modèle propose des prévisions à l’échelle mondiale avec une finesse pouvant atteindre cinq kilomètres pour diverses variables de surface, notamment la température et l’humidité. Dans sa version antérieure, WeatherNext 2, les prévisions étaient réalisées sur une grille de 25 kilomètres avec une mise à jour toutes les six heures. Google précise que ces variables sont destinées à faciliter l’estimation de la production éolienne et solaire et à la synchroniser avec la demande. Les fournisseurs spécialisés commercialisent déjà ce type de données auprès des acteurs du marché, et l’arrivée de WeatherNext 3 positionne désormais Google sur ce segment.

Réseaux sous tension : renouvelables en hausse et centres de données

Les opérateurs gèrent un système plus difficile à prévoir. Côté production, les renouvelables dominent les ajouts de capacité : S&P Global Market Intelligence projette que solaire et stockage seront les principales sources cette année, avec 51,2 GW de solaire et 25,7 GW de stockage sur plus de 90 GW d’ajouts. L’éolien et le solaire produisant selon la météo, chaque gigawatt supplémentaire renforce l’exigence de prévisions de court terme. Côté consommation, S&P Global relie la hausse récente de la demande à la prolifération des centres de données en Amérique du Nord, conduisant les services publics à relever leurs prévisions. Deloitte anticipe environ 26 % de croissance de la demande de pointe d’ici 2035, avec une demande des centres de données pouvant atteindre 176 GW, soit cinq fois 2024. Une sous-estimation de la production éolienne impose d’acheter en urgence, souvent auprès de centrales à gaz en attente coûteuse ; une surestimation conduit à rémunérer des arrêts d’éolien/solaire. Dans ce contexte, Google, membre des hyperscalers à l’origine d’une partie de la nouvelle charge et signataire d’accords d’achats d’ENR de plusieurs gigawatts, a un intérêt direct à des prévisions fiables pour faire correspondre énergie propre et charge variable.

Concurrence et débat IA contre modèles physiques

Le marché des prévisions météo pour l’énergie est déjà fourni, avec Vaisala, Solcast, WindGEMINI de DNV et HyperWatch d’IBM. Jua affirme que son modèle EPT-2 dépasse Microsoft Aurora et l’ancien GraphCast en précision, avec 24 mises à jour par jour contre quatre typiques selon elle. L’atout de Google tient à la diffusion : la même prévision s’expose comme table BigQuery, couche Earth Engine, API Google Maps Platform et réponse par défaut dans Search. La cadence horaire réduit l’avantage de fréquence qu’exploitaient certains spécialistes. Sur le plan technique, Jua soutient que des modèles basés sur la physique comme l’HRES de l’ECMWF restent supérieurs lors d’extrêmes, en raison des lois physiques explicitement encodées, là où des modèles IA apprennent de données passées.