La météorologie joue un rôle essentiel dans notre vie quotidienne, de la planification de nos activités extérieures à la prise de décisions critiques pour la sécurité. L’importance des prévisions météorologiques précises est mise en évidence par l’augmentation des phénomènes météorologiques extrêmes tels que les sécheresses et les vagues de chaleur, mais également les inondations, comme celles auxquelles est actuellement confronté le nord de la France. Pour répondre à ce dernier défi, Google a développé MetNet-3, un modèle météorologique neuronal de pointe qui fournit des prévisions de précipitations jusqu’à 24 heures plus précises que ses modèles antérieurs.
Développé par une équipe de chercheurs de Google Research et Google DeepMind, MetNet-3, s’appuyant sur les modèles MetNet de la société, fournit des prévisions à haute résolution jusqu’à 24 heures à l’avance pour un ensemble plus large de variables de base que ses prédécesseurs, notamment les précipitations, la température de surface, la vitesse et la direction du vent et le point de rosée.
Intégration de MetNet-3 dans les produits Google
Google l’a intégré dans ses appareils Pixel, (smartphones, tablettes et ordinateurs portables) via la fonctionnalité Google Nowcast disponible sur l’application Pixel Weather et Google Search. Déployée depuis juin dernier, elle couvre désormais les Etats-Unis et 27 pays européens et fournit des prévisions de précipitations toutes les quelques minutes pour les 12 prochaines heures.
Observations directes et densification pour des prévisions plus précises
Contrairement aux autres modèles météorologiques (PNT) qui se basent sur des données générées par des méthodes traditionnelles, les modèles MetNet se distinguent par une utilisation d’observations directes de l’atmosphère, qui ont souvent une fidélité et une résolution plus élevées, pour l’entraînement et l’évaluation. Celles-ci proviennent de capteurs situés à différentes altitudes, tels que les stations météorologiques au sol et les satellites en orbite.
En plus des sources de données des modèles MetNet, MetNet-3 intègre des mesures ponctuelles de stations météorologiques, les utilisant à la fois comme entrées et cibles pour effectuer des prévisions météorologiques pour un emplacement précis.
En outre, le modèle utilise une technique innovante appelée densification pour améliorer les prévisions météorologiques. Celle-ci fusionne le processus traditionnel en deux étapes d’assimilation et de simulation des données que l’on trouve dans les modèles basés sur la physique en un seul passage à travers un réseau neuronal.
Cette approche permet d’obtenir, à partir de données éparses, des prévisions plus précises en combinant les informations de diverses sources, notamment des données topographiques, satellitaires, radar, et NWP, tout en éliminant le besoin d’utiliser des prévisions du PNT dans les données d’entrée par défaut de MetNet-3.
On peut voir ci-dessous les prévisions de la vitesse du vent fournies par le modèle avec une résolution et celles de l’ENS
Selon Google :
“MetNet-3 crée une prévision temporellement fluide et très granulaire, avec des intervalles de temps de 2 minutes et des résolutions spatiales de 1 à 4 kilomètres. MetNet-3 atteint de solides performances par rapport aux méthodes traditionnelles, surpassant les meilleures méthodes basées sur la physique à un ou plusieurs éléments Prévision numérique du temps (NWP) — tels que Rafraîchissement rapide haute résolution (HRRR) et Suite de prévisions d’ensemble (ENS) — pour plusieurs régions jusqu’à 24 heures à l’avance”.
Pour plus d’informations, consulter le blog de Google Research consacré à MetNet-3
