Google DeepMind et Google Research hanno officiellement présenté le modèle avancé WeatherNext 3 qui, selon des évaluations indépendantes menées par Brightband, constitue le modèle météorologique mondial le plus avancé et le plus précis à ce jour. Ce modèle apprend directement à partir d'observations réelles et fournit des prévisions rapides et localisées pour les événements climatiques.

Caractéristiques principales de WeatherNext 3 :
Précision spatiale et temporelle inédite : Le modèle produit des prévisions heure par heure dans plusieurs résolutions spatiales, préservant l'équilibre physique entre les vents globaux et la topographie locale.

Représentation avancée : Les variables clés telles que la température et l'humidité sont affichées avec une résolution de 5 km, les autres variables de surface à 10 km, et les variables atmosphériques telles que la vitesse du vent à 25 km. Cela offre une image globale près de cinq fois plus nette que la version précédente (WeatherNext 2).

Appui sur des données globales réelles : En utilisant une mosaïque de données satellitaires mondiales, WeatherNext 3 obtient une nouvelle prévision chaque heure au lieu de s'appuyer uniquement sur les modèles traditionnels de prévision numérique du temps (NWP), qui présentent des biais.

Données des stations météorologiques : Le modèle est entraîné directement sur les données des stations météo, ce qui permet de fournir des prévisions dans les régions d'Amérique latine, d'Afrique et d'Asie-Pacifique auparavant négligées en raison du coût élevé des superordinateurs.

Développement des énergies propres (Renewable Energy) : Le modèle prédit la vitesse du vent à une hauteur de 100 mètres (pour les éoliennes) ainsi que la couverture nuageuse et le rayonnement solaire pour aider les gestionnaires de réseau dans la planification des énergies renouvelables.

Précision des prévisions de précipitations : Grâce à son entraînement sur les données de la NASA IMERG et les radars, le modèle réalise une amélioration majeure dans la prévision des pluies, affichant jusqu'à 60 % d'amélioration du CRPS par rapport à IMERG.

Disponibilité dans différents domaines :
Les données peuvent être explorées via BigQuery et Earth Engine, ou téléchargées depuis Google Cloud Storage.

De plus, dès aujourd'hui, le modèle commence à alimenter les expériences météorologiques dans Google Search, l'application Gemini, Google Maps, la plateforme Google Maps Weather API et Google Earth Engine, permettant aux utilisateurs de voir des prévisions de pluie jusqu'à 50 % plus précises lorsqu'ils planifient leurs activités un jour ou plus à l'avance.