Google présente MetNet-3, son dernier ajout à la famille de modèles météorologiques MetNet

La météorologie joue un rôle essentiel dans notre vie quotidienne, depuis la planification de nos activités de plein air jusqu’à la prise de décisions critiques en matière de sécurité. L’importance de prévisions météorologiques précises est mise en évidence par l’augmentation des événements météorologiques extrêmes tels que les sécheresses.des canicules, mais aussi des inondations, comme celles que connaît actuellement le nord de la France. Pour relever ce dernier défi, Google a développé MetNet-3, un modèle météorologique neuronal de pointe qui fournit des prévisions de précipitations sur 24 heures plus précises que ses modèles précédents.

Développé par une équipe de chercheurs de Google Research et Google DeepMind, MetNet-3, s’appuyant sur les modèles MetNet de l’entreprise, fournit des prévisions haute résolution jusqu’à 24 heures à l’avance pour un ensemble de variables de base plus large 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 à ses appareils Pixel (smartphones, tablettes et ordinateurs portables) via la fonctionnalité Google Nowcast disponible sur l’application Pixel Weather et Google Search. Déployé depuis juin dernier, il couvre désormais les États-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 s’appuient sur des données générées par des méthodes traditionnelles, les modèles MetNet se distinguent par l’utilisation d’observations directes de l’atmosphère, qui ont souvent une fidélité et une résolution plus élevées, pour la formation et l’évaluation. Ceux-ci proviennent de capteurs situés à différentes altitudes, comme des stations météorologiques au sol et des satellites en orbite.

En plus des sources de données du modèle MetNet, MetNet-3 intègre des mesures ponctuelles provenant de stations météorologiques, les utilisant à la fois comme entrées et comme cibles pour établir des prévisions météorologiques pour un emplacement spécifique.

De plus, le modèle utilise une technique innovante appelée densification pour améliorer les prévisions météorologiques. Cela fusionne le processus traditionnel en deux étapes d’assimilation et de simulation de données trouvé dans les modèles basés sur la physique en un seul passage à travers un réseau neuronal.

Cette approche fournit des prévisions plus précises à partir de données rares en combinant des informations provenant de diverses sources, notamment des données topographiques, satellitaires, radar et PNT, tout en éliminant le besoin d’utiliser les prévisions PNT dans les données d’entrée par défaut de MetNet-3.

Ci-dessous vous pouvez voir les prévisions de vitesse du vent fournies par le modèle avec 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 de prévision numérique du temps (PNT) basées sur la physique, à un ou plusieurs éléments, telles que l’actualisation rapide à haute résolution (HRRR) et la suite de prévisions d’ensemble (ENS). — pour plusieurs régions jusqu’à 24 heures à l’avance ».

Pour plus d’informations, consultez le blog Google Research sur MetNet-3