DeepMind publie les données de son IA météo : détection de la pluie supérieure de 30 % au référentiel de la NASA
DeepMind a ouvert les données qui ont servi à entraîner son modèle météo WeatherNext 3 : la mosaïque satellite horaire SatWeave et la carte des précipitations PARDIG. Sur les pluies faibles et modérées, PARDIG détecte plus de 30 % de pluie en plus qu'IMERG-Final, le jeu de référence des précipitations de la NASA. La carte est produite au pas de 15 minutes, avec une résolution d'environ 10 km, y compris là où il n'existe aucun radar. Pour les développeurs, c'est une base prête à l'emploi pour des modèles de crues et de sécheresses.
Traité par IA depuis DeepMind Blog ; édité par Hamidun News
Pour prévoir le temps, un bon réseau de neurones ne suffit pas : il faut savoir ce qui se passe au-dessus de la planète à un instant donné, et combien de pluie est réellement tombée. Or c'est difficile : les radars et les pluviomètres ne couvrent pas tout le globe, et les satellites observent chacun à leur manière. Google DeepMind a décidé d'ouvrir justement cette partie de la cuisine.
L'équipe WeatherNext a publié deux jeux de données sur lesquels repose son nouveau modèle météo WeatherNext 3 : SatWeave (une image satellite horaire de l'ensemble du globe) et PARDIG (une carte des précipitations à l'échelle planétaire). Le chiffre phare de cette publication concerne PARDIG. Il détecte les pluies faibles et modérées plus de 30 % mieux qu'IMERG-Final, le jeu d'estimations des précipitations de la NASA sur lequel s'appuient de nombreuses applications.
Imaginez une application d'assurance agricole : si l'ancien jeu de données laisse passer une pluie sur trois ou dessine des averses là où il n'a pas plu, les indemnisations sont calculées de travers. La nouvelle carte réduit ces erreurs. Les deux collections sont accessibles à la fois comme archive historique et comme flux « vivant ».
SatWeave : une image unique de la Terre à partir de plusieurs satellites
Le problème est familier à quiconque a déjà assemblé des données issues de plusieurs sources. La planète est photographiée par différents satellites géostationnaires : les GOES-East et GOES-West américains, les Meteosat européens, le Himawari japonais. Chacun a ses propres projections cartographiques, ses formats de fichiers, ses capteurs et son calendrier de prises de vue : une image arrive toutes les 10 à 30 minutes. Les mosaïques mondiales prêtes à l'emploi sont donc rares, et celles qui existent sont généralement limitées : quatre canaux ou moins, ou une mise à jour toutes les quelques heures.
SatWeave regroupe tout en une seule carte du monde à 17 canaux : lumière visible, vapeur d'eau et infrarouge. Elle est mise à jour toutes les heures. Pour WeatherNext 3, c'est important : le modèle dispose d'une vision fraîche des nuages et des orages en formation, au lieu de s'appuyer sur des données d'analyse que de nombreux modèles ne actualisent que toutes les six heures. Le flux horaire et une archive de plus de dix ans sont ouverts. DeepMind évoque aussi des usages concrets : la prévision de la production des centrales solaires et la surveillance des incendies de forêt.
PARDIG : une carte des précipitations là où il n'y a pas de radars
Le second jeu de données répond à un autre besoin. On peut mesurer les précipitations avec précision grâce aux radars au sol et à un réseau dense de pluviomètres, mais ceux-ci sont loin d'être partout. Au-dessus des océans, dans les montagnes et dans de nombreux pays en développement, la couverture est très limitée.
PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) contourne cette limite. Le modèle, dont l'architecture ressemble à celle de WeatherNext 3, apprend directement à partir des rares mesures du radar spatial GPM Core Observatory de la NASA. En entrée, il reçoit les images de SatWeave et les champs atmosphériques du centre ECMWF. En sortie, il produit une carte des précipitations pour toute la planète, au pas de 15 minutes et avec une résolution d'environ 10 km. Les données récentes arrivent avec un délai moyen d'environ cinq heures.
La validation s'est appuyée sur trois réseaux de radars continentaux (États-Unis, Europe, Japon) et sur plus de 36 000 stations météorologiques. Selon DeepMind, PARDIG devance les principaux équivalents mondiaux à tous les niveaux d'intensité de pluie, y compris IMERG-Final. Ces 30 % sont mesurés à l'aide de la métrique Critical Success Index : elle indique à quelle fréquence la prévision horaire coïncide avec le radar, et pénalise à la fois les pluies manquées et les fausses alertes.
Il est également précisé que le modèle gère mieux les averses extrêmes, que les produits globaux laissent souvent passer. Exemple illustratif : les inondations de juillet 2025 au Texas, pour lesquelles PARDIG a été comparé au radar au sol de la NOAA et à IMERG-Final.
L'archive historique de PARDIG couvre la période de 1999 à 2026.
Que faire de tout cela, et quelles réserves
Pour les développeurs et les chercheurs, c'est un cas rare où les données d'entraînement d'un grand laboratoire sont en accès libre. Les données sont hébergées sur Google Cloud Storage, et le catalogue historique de PARDIG est aussi disponible sur Google Earth Engine. Elles permettront d'entraîner ses propres modèles de crues, de glissements de terrain et de sécheresses, en particulier pour les régions dépourvues de réseaux radar denses. Elles conviendront aussi aux services appliqués, de l'énergie à l'assurance agricole.
Des réserves existent toutefois. Une résolution d'environ 10 km est nettement plus grossière qu'un radar au sol : dans l'exemple des inondations texanes, le radar de la NOAA offre une résolution d'environ 1 km. Pour les problématiques urbaines locales, PARDIG ne remplace pas un radar, il permet de combler les zones blanches.
L'affirmation d'une fiabilité « en tout point du globe » reste une attente des auteurs : dans les régions sans mesures au sol, il n'existe aucun moyen de la vérifier directement. Tous les chiffres de comparaison sont pour l'instant fournis par DeepMind elle-même, et l'article ne présente pas de tests indépendants. Enfin, ces données s'adressent aux spécialistes de l'information géospatiale : les exploiter demande des compétences en traitement de rasters satellitaires.
Néanmoins, l'initiative est notable. Une mosaïque satellite actualisée toutes les heures et une carte mondiale des précipitations couvrant plusieurs décennies deviennent ainsi une infrastructure accessible à tous, et non plus une ressource interne de Google.
- 22 nov. 2026Le projet personnel de LangChain est devenu une start-up valorisée 3 milliards de dollars en quatre ans et a levé 300 millions
- 22 nov. 2026Un profil de travail Android a bouché la fuite de votre vraie IP, que ni Happ ni v2rayNG ne détectent
- 22 nov. 2026Databricks en discussion pour une levée valorisant l'entreprise à 225 milliards de dollars, près de 20 % de plus qu'en août
- 21 nov. 2026Amazon offre l'agent IA AWS Quick avec Claude gratuitement, le forfait Plus coûte 25 $ par mois
Questions clés sur cet article
Que sait-on sur SatWeave : une image unique de la Terre à partir de plusieurs satellites ?
Le problème est familier à quiconque a déjà assemblé des données issues de plusieurs sources. La planète est photographiée par différents satellites géostationnaires : les GOES-East et GOES-West américains, les Meteosat européens, le Himawari japonais. Chacun a ses propres projections cartographiques, ses formats de fichiers, ses capteurs et son calendrier de prises de vue : une image arrive toutes les 10 à 30 minutes.
Que sait-on sur PARDIG : une carte des précipitations là où il n'y a pas de radars ?
Le second jeu de données répond à un autre besoin. On peut mesurer les précipitations avec précision grâce aux radars au sol et à un réseau dense de pluviomètres, mais ceux-ci sont loin d'être partout. Au-dessus des océans, dans les montagnes et dans de nombreux pays en développement, la couverture est très limitée. PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) contourne cette limite.
Que sait-on sur Que faire de tout cela, et quelles réserves ?
Pour les développeurs et les chercheurs, c'est un cas rare où les données d'entraînement d'un grand laboratoire sont en accès libre. Les données sont hébergées sur Google Cloud Storage, et le catalogue historique de PARDIG est aussi disponible sur Google Earth Engine. Elles permettront d'entraîner ses propres modèles de crues, de glissements de terrain et de sécheresses, en particulier pour les régions dépourvues de réseaux radar denses.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.