Savoir combien il pleut en ce moment, partout, est plus difficile qu'il n'y paraît. Les pays riches disposent de réseaux denses de radars et de pluviomètres ; une grande partie du monde non, et c'est souvent là que les inondations font le plus de dégâts. Google DeepMind a publié deux jeux de données qui sous-tendent son modèle de prévision WeatherNext 3, une mosaïque satellitaire mondiale appelée SatWeave et un relevé de précipitations construit par IA appelé PARDIG, avec des archives historiques et des flux en direct utilisables par tous.
SatWeave règle un problème de tuyauterie. Les satellites météorologiques géostationnaires, dont GOES-East et GOES-West, deux satellites Meteosat et Himawari, utilisent chacun des projections, formats de fichiers, capteurs et cycles de balayage différents, de 10 à 30 minutes. La plupart des composites mondiaux s'en sortent en sacrifiant le détail, avec quatre canaux ou moins ou une mise à jour toutes les quelques heures. SatWeave les fusionne en une mosaïque mondiale unique de 17 canaux visibles, vapeur d'eau et infrarouges, actualisée toutes les heures, avec une archive de plus d'une décennie. Ce rafraîchissement horaire permet à WeatherNext 3 de lancer de nouvelles prévisions plus souvent que les modèles fondés sur des analyses renouvelées toutes les six heures.
PARDIG est le volet le plus ambitieux. Il est entraîné sur les relevés épars du radar spatial du Global Precipitation Measurement Core Observatory de la NASA, avec en entrée des images SatWeave et des champs atmosphériques de l'ECMWF, et produit une carte mondiale des précipitations à 15 minutes et environ 10 kilomètres de résolution, avec un délai moyen d'environ cinq heures. Google l'a comparé aux réseaux radar des États-Unis, d'Europe et du Japon et à plus de 36 000 stations météo, et indique qu'il dépasse IMERG-Final, le produit de recherche de la NASA, pour toutes les intensités de pluie étudiées, améliore de plus de 30% la détection horaire des pluies faibles à modérées et se montre particulièrement bon sur les extrêmes. L'archive couvre 1999 à 2026.
L'intérêt pratique tient à l'ouverture. Les deux jeux sont sur Google Cloud Storage, et l'historique de PARDIG aussi dans Google Earth Engine. Hydrologues, assureurs et agences de gestion des catastrophes travaillant là où le radar manque pourraient s'en servir pour modéliser crues, glissements de terrain et sécheresses, et Google suggère SatWeave pour le solaire et la surveillance des incendies. Cela prolonge une tendance des travaux météo par IA, chez DeepMind et ailleurs, où les données comptent désormais autant que les modèles.
Les réserves comptent. La comparaison avec IMERG-Final est celle de Google, et des hydrologues indépendants devront la confirmer. Une résolution de dix kilomètres reste grossière face au radar au sol, d'environ un kilomètre, et ne remplacera pas les systèmes locaux. L'affirmation de Google d'une précision fiable partout est une attente fondée sur l'apprentissage satellitaire, et les régions d'évaluation sont précisément celles qui disposent déjà d'un bon radar.