Comment sait-on s’il pleuvra demain ?

Je regarde souvent la météo comme on consulte un arbitre pressé : pluie ou pas pluie, veste ou pas veste, et merci de ne pas compliquer la question. Une petite icône apparaît, accompagnée d’un pourcentage, puis je prends une décision très sérieuse concernant un parapluie que j’oublierai probablement quelque part.

Ce geste minuscule cache pourtant une machine planétaire. Aucun satellite ne voit toute l’atmosphère, aucun thermomètre ne connaît la température moyenne d’une ville et aucun ordinateur ne reçoit une photographie parfaite du présent. La prévision commence donc par un paradoxe : pour calculer demain, il faut d’abord reconstruire aujourd’hui.

L’arrivée de WeatherNext 3, annoncé par Google début septembre 2026, promet des prévisions plus fréquentes et parfois plus fines grâce à l’intelligence artificielle. Mais avant de savoir ce que l’IA change, il faut comprendre ce qu’elle reçoit, ce qu’elle calcule et tout ce que l’application finit par cacher.

Observer un monde plein de trous

Les stations au sol mesurent la température, la pression, l’humidité, le vent et la pluie. Des ballons sondent l’atmosphère en altitude ; avions, navires, bouées, radars et satellites complètent le tableau. À l’échelle d’un service mondial, cela représente des millions d’observations quotidiennes.

Le mot « observation » donne une impression de vérité brute. En réalité, chaque mesure a une marge d’erreur, une heure, une position et une échelle. Un pluviomètre décrit son petit cercle de ciel, pas tout le quartier. Un satellite mesure souvent un rayonnement qu’il faut convertir en température ou en humidité. Même le réel arrive avec un mode d’emploi.

Avant d’utiliser ces données, les centres repèrent les valeurs impossibles, les capteurs décalés et les doublons. J’imaginais une immense carte qui se remplissait toute seule. C’est plutôt un puzzle dont certaines pièces sont floues, d’autres en retard et quelques-unes posées à l’envers.

Reconstruire le présent avant demain

Les mesures ne couvrent ni chaque lieu ni chaque altitude. Les météorologues les combinent donc avec une courte prévision antérieure, appelée ébauche. Ce mélange pondéré par les incertitudes produit une analyse : la meilleure estimation cohérente de l’atmosphère à cet instant.

Cette étape s’appelle l’assimilation. Elle ne copie pas simplement les instruments dans une grille ; elle cherche un état compatible à la fois avec les observations et avec la physique. Autrement dit, le point de départ d’une prévision est déjà un calcul.

C’est une nuance importante. Si l’état initial est légèrement faux, l’atmosphère chaotique amplifie progressivement l’écart. Le bulletin de dimanche peut donc rater une averse non parce que quelqu’un a oublié de regarder par la fenêtre, mais parce qu’une petite erreur du mercredi a grandi en chemin.

Pourquoi on calcule plusieurs futurs

Une seule simulation donnerait un scénario propre, précis et rassurant. Elle donnerait aussi une confiance excessive. Les centres lancent donc des ensembles : ils modifient légèrement l’état initial ou certains paramètres, puis observent comment les trajectoires se séparent.

Si presque tous les scénarios annoncent beaucoup de pluie, le signal est solide. S’ils partent dans tous les sens, l’incertitude fait partie du résultat. Une probabilité n’est pas un défaut que l’on pourrait supprimer avec un ordinateur plus gros ; c’est une information sur la stabilité de la situation.

L’icône finale compresse pourtant cette diversité. Quarante pour cent de pluie paraît net, mais ce chiffre dépend du produit, du lieu, de l’échéance et de la calibration. L’application nous offre une réponse courte à une question que l’atmosphère avait rédigée en plusieurs versions.

Ce que l’intelligence artificielle accélère

Les modèles physiques résolvent des équations sur une grille et représentent approximativement les phénomènes trop petits pour elle. Les modèles appris, eux, cherchent dans les archives la relation entre un état de l’atmosphère et son évolution. Ils peuvent produire des prévisions beaucoup plus vite.

WeatherNext 3 ajoute des observations satellitaires récentes, lance une nouvelle initialisation chaque heure et produit un ensemble de scénarios jusqu’à quinze jours. Ses sorties n’ont toutefois pas toutes la même résolution : certaines variables de surface descendent vers cinq kilomètres, d’autres restent à dix ou vingt-cinq. Une maille de cinq kilomètres n’est d’ailleurs pas la promesse de placer chaque averse à cinq kilomètres près.

Google avance des gains importants sur certaines prévisions de pluie. Le fameux « jusqu’à 50 % plus précis » reste un maximum relatif obtenu avec des métriques, échéances et références précises. Ce n’est ni cinquante pour cent d’averses correctement devinées en plus, ni un certificat universel de beau temps bien rangé.

Le doute reste une partie du service

L’IA n’abolit ni les capteurs, ni les données publiques, ni la physique qui a servi à construire les réanalyses d’entraînement. Elle peut lisser des extrêmes rares, hériter de biais et perdre en fiabilité lorsque le climat s’éloigne de son passé. Les centres publics adoptent eux-mêmes des systèmes hybrides : le duel entre vieille équation et jeune réseau neuronal est surtout pratique pour les titres.

Les prévisionnistes comparent encore plusieurs modèles, connaissent les biais régionaux et traduisent l’aléa en impact. La même pluie n’a pas le même sens sur un sol sec, une ville saturée ou une route à l’heure de pointe. Pour les alertes officielles, Google renvoie d’ailleurs aux services météorologiques nationaux.

Je regarderai toujours l’icône avant de sortir. Mais je la vois désormais comme la dernière phrase d’une enquête gigantesque, pas comme une fenêtre directe sur demain. La prévision progresse lorsqu’elle calcule mieux ; elle devient vraiment utile lorsqu’elle nous montre aussi jusqu’où nous pouvons lui faire confiance.