Données météo par IA : SatWeave et PARDIG décryptés
Découvrez comment SatWeave et PARDIG transforment les images satellites en données météo ouvertes, et ce que leurs résolutions et limites changent.

SatWeave et PARDIG : l'IA ouvre de nouvelles données météo à la recherche
Prévoir une crue, anticiper une sécheresse ou suivre un orage ne dépend pas seulement de la qualité d'un modèle météo. Tout repose aussi sur des observations suffisamment fréquentes, précises et cohérentes pour décrire ce qui se passe réellement sur le terrain. Or satellites, radars et stations ne couvrent pas la planète de la même façon, ni avec les mêmes rythmes. Rassembler et harmoniser ces mesures pour en faire des données exploitables, c'est un vrai chantier scientifique et technique.
Google DeepMind met en accès ouvert deux jeux de données pensés pour avancer sur ce terrain : SatWeave, une mosaïque horaire d'images issues de satellites géostationnaires, et PARDIG, une estimation mondiale des précipitations produite par apprentissage automatique. Ils ont notamment contribué au modèle WeatherNext 3, et sont proposés à la fois sous forme d'archives historiques et de flux récents. Mais leur intérêt ne s'arrête pas à la météo : ils peuvent aussi servir à mieux étudier certains risques hydrologiques et climatiques, notamment là où les données au sol sont rares. Voici ce qu'ils contiennent, comment ils peuvent être utilisés, et les précautions à garder.
Pourquoi ces jeux de données comptent pour la météo
Un modèle ne peut pas tirer une information fiable d'observations absentes, rares ou difficiles à comparer. En pratique, la météo s'appuie sur plusieurs sources : satellites, radars, pluviomètres, stations, et aussi des analyses issues de modèles. Chacune a ses forces, mais aussi ses angles morts. Les radars au sol, par exemple, peuvent suivre les précipitations avec une précision élevée, mais leur couverture varie beaucoup d'un pays à l'autre. Les satellites, eux, observent de larges zones, mais leurs instruments, leurs horaires de passage et leurs formats ne sont pas identiques.
C'est justement ce décalage que SatWeave et PARDIG cherchent à réduire. SatWeave harmonise des images issues de satellites géostationnaires pour produire une vue globale plus régulière. PARDIG utilise l'apprentissage automatique pour transformer des observations satellitaires et des champs atmosphériques en estimations de précipitations disponibles plus fréquemment. Les deux jeux de données ont aussi servi à entraîner ou alimenter WeatherNext 3, mais leur ouverture permet à d'autres équipes de tester des usages différents.
Des données d'entrée, pas une prévision clé en main
Il faut séparer ces jeux de données d'une « prévision » complète. SatWeave décrit ce que montrent les nuages et l'atmosphère vue depuis l'espace. PARDIG estime les précipitations. Dans un système opérationnel, on ne s'arrête pas là : il faut combiner ces informations avec d'autres variables, les confronter aux observations locales, puis produire une prévision adaptée à un besoin précis.
Cette différence compte beaucoup pour les organisations. Un assureur n'a pas les mêmes priorités qu'un gestionnaire de réseau électrique. La fréquence des données, leur délai de disponibilité et leur résolution ne répondent pas aux mêmes contraintes selon l'usage.
Pourquoi l'ouverture change la donne
Quand les archives et les flux sont disponibles, les équipes évitent de reconstruire à chaque fois toute la chaîne de collecte et d'harmonisation. Pour la recherche, cela simplifie les comparaisons et la reproductibilité. Pour un acteur opérationnel, ça peut accélérer le prototypage d'un outil de suivi des pluies ou de détection d'événements extrêmes.
Cela dit, l'ouverture ne supprime pas le travail d'intégration. Il faut vérifier les conditions d'accès, les formats, la continuité des séries, et les règles d'utilisation. Et il faut aussi tester les données sur le territoire et le phénomène visés. Un jeu « mondial » est un bon point de départ, mais il ne garantit pas automatiquement la même qualité partout à l'échelle d'une commune.
SatWeave : assembler une vue satellite mondiale
SatWeave est une mosaïque d'images produite par des satellites géostationnaires qui observent différentes régions de la Terre. Google DeepMind indique combiner des observations provenant de plusieurs satellites, notamment les plateformes GOES, Meteosat et Himawari. Comme on s'y attend, ces satellites ne produisent pas tous les mêmes images : projections, formats, capteurs, calendriers de balayage varient. Certains mettent à jour leurs observations toutes les dix minutes, d'autres selon des intervalles pouvant atteindre trente minutes.
À partir de là, construire une carte globale n'est pas un simple collage de fichiers. Il faut aligner les zones observées, harmoniser les canaux et gérer les décalages temporels. Selon les traitements disponibles, certains composites peuvent aussi perdre une partie de la richesse, par exemple en réduisant le nombre de canaux ou la fréquence de mise à jour.
Une mise à jour horaire et 17 canaux
D'après Google DeepMind, SatWeave rassemble 17 canaux visibles, infrarouges et de vapeur d'eau dans une mosaïque mondiale mise à jour chaque heure. Tous ces canaux ne racontent pas la même chose. Le visible rend les nuages plus facilement « lisibles » dans la journée ; l'infrarouge permet notamment de suivre leur température, y compris la nuit ; les canaux de vapeur d'eau apportent des informations sur certaines caractéristiques de l'atmosphère.
La cadence horaire est utile dans beaucoup de chaînes de traitement. Beaucoup de systèmes de prévision démarrent à partir d'analyses actualisées toutes les six heures. Des images plus fréquentes permettent de regarder les conditions récentes et de construire des applications qui réagissent plus vite aux évolutions des nuages et des orages. Mais plus de fréquence ne veut pas dire automatiquement meilleure prévision : tout dépend de la manière dont on assimile les observations et de la qualité du modèle utilisé.
Des applications au-delà de la météo générale
Les images de SatWeave peuvent servir à des équipes qui suivent des systèmes nuageux dans des domaines connexes. Pour l'énergie solaire, elles peuvent aider à estimer l'arrivée d'une couverture nuageuse et ses effets possibles sur la production. Pour la surveillance des feux, observer régulièrement de grandes zones peut aider à replacer un événement dans son contexte atmosphérique.
En pratique, ces idées doivent être adaptées à chaque cas d'usage. Une mosaïque mondiale horaire ne remplace pas des données locales plus fines quand une décision dépend d'un site précis. Les équipes devront notamment vérifier la résolution utile, les délais, la couverture des zones d'intérêt, et le comportement des données pendant les épisodes rapides.
PARDIG : estimer les précipitations grâce à l'IA
PARDIG signifie Precipitation AI Reanalysis: Densely Inferred GPM. C'est un jeu de données mondial qui estime les précipitations à partir d'un modèle d'IA. La méthode s'appuie sur des observations radar spatiales parfois rares du satellite GPM Core Observatory de la NASA, ainsi que sur des images de SatWeave et sur des champs atmosphériques produits par le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF).
Les résultats annoncés sont des estimations des précipitations à une résolution temporelle de 15 minutes et à une résolution spatiale d'environ 10 km. Le flux est fourni avec un délai moyen d'environ cinq heures. Cette latence compte : PARDIG peut alimenter des analyses récentes et certains traitements quasi temps réel, mais ce n'est pas une observation instantanée disponible sans délai.
Ce que montrent les évaluations publiées
Google DeepMind indique avoir évalué PARDIG à partir de trois réseaux continentaux de radars au sol (aux États-Unis, en Europe et au Japon), ainsi que de plus de 36 000 stations météo dans le monde. D'après ces évaluations, le jeu de données surpasse plusieurs références mondiales pour les intensités de pluie étudiées, dont IMERG-Final, un produit de la NASA largement utilisé dans la recherche.
L'entreprise rapporte aussi une amélioration de plus de 30 % de la capacité à détecter les précipitations horaires faibles à modérées par rapport à IMERG-Final, ainsi que de meilleurs résultats sur des épisodes de précipitations extrêmes, souvent difficiles à capter dans les produits globaux. Ces chiffres décrivent les tests menés par l'équipe qui a développé PARDIG : ils ne remplacent pas une vérification sur les régions et les périodes qui vous intéressent.
Une comparaison avec un radar au sol doit tenir compte de la résolution
La comparaison dépend aussi de l'échelle spatiale. Dans l'exemple des crues soudaines au Texas en juillet 2025, le radar NOAA MRMS présenté a une résolution d'environ 1 km, contre environ 10 km pour PARDIG et IMERG-Final. Résultat : PARDIG peut donner une estimation mondiale cohérente, mais il ne restituera pas forcément les détails locaux qu'un réseau radar dense peut suivre.
Une couverture mondiale ne veut pas dire précision partout
L'idée derrière la méthode est d'utiliser directement des observations satellitaires plutôt que de dépendre uniquement des réseaux au sol. Cela peut être utile là où les radars et pluviomètres sont peu nombreux. Mais une couverture mondiale ne supprime pas les différences liées à la qualité des observations, aux climats locaux, ni à la disponibilité des données utilisées pour l'apprentissage et l'évaluation.
Pour un usage sensible, il faut donc valider PARDIG sur la zone concernée, surtout pour les pluies extrêmes. Une erreur sur une moyenne à grande échelle n'a pas les mêmes conséquences qu'une erreur dans un dispositif d'alerte local. Les archives annoncées couvrent 1999-2026 et peuvent servir à étudier des épisodes passés, à condition de vérifier la continuité et les métadonnées nécessaires à l'analyse.
Quels usages envisager, et quelles limites vérifier ?
La valeur de ces données dépend de la question posée. SatWeave apporte une observation satellite harmonisée ; PARDIG fournit une estimation des précipitations. Les deux peuvent alimenter des modèles, des analyses historiques ou des outils de suivi, mais leur adéquation doit être évaluée selon le délai acceptable, la zone géographique et le niveau de détail requis.
Trois pistes d'application concrètes
- Prévention des inondations et des glissements de terrain : les séries de précipitations peuvent aider à repérer des pluies persistantes ou intenses et à analyser des bassins versants. Elles ne remplacent pas les mesures hydrologiques locales ni les modèles qui traduisent la pluie en risque de crue.
- Suivi de la sécheresse : les archives permettent de comparer l'évolution des précipitations dans le temps et d'étudier des régions où les observations au sol sont limitées. Pour caractériser une sécheresse, il faut toutefois regarder plus large : humidité des sols, évaporation et autres facteurs.
- Énergie et exploitation des réseaux : les images de SatWeave peuvent être testées pour suivre l'évolution de la couverture nuageuse et aider certaines estimations liées à la production solaire. La résolution horaire peut être pratique à l'échelle d'un système, mais ce n'est pas forcément suffisant pour chaque site ou chaque opération.
Une grille de validation avant mise en production
Avant d'intégrer ces données dans un produit, une équipe peut suivre un ordre de vérification simple :
- Définir la décision à soutenir. Étude climatique, suivi opérationnel ou alerte ? Il faut clarifier le coût d'une fausse alerte et celui d'un événement manqué.
- Vérifier la résolution par rapport au besoin réel. Une maille d'environ 10 km peut suffire pour une analyse régionale, mais être trop grossière pour un quartier.
- Mesurer la latence de bout en bout. PARDIG annonce environ cinq heures de délai moyen. Il faut voir si, une fois ajouté à votre temps de traitement interne, le résultat reste compatible avec le cas d'usage.
- Comparer avec des données locales indépendantes. Vérifiez les estimations avec des radars, stations ou relevés disponibles sur votre territoire, en distinguant pluie faible, modérée et extrême.
- Prévoir un mode dégradé. En production, la chaîne doit gérer les données manquantes ou incertaines et éviter de produire une recommandation qui sonne trop « certaine ».
Les jeux de données sont annoncés accessibles via Google Cloud Storage, et les catalogues historiques de PARDIG sont aussi proposés dans Google Earth Engine. Cette disponibilité peut réduire le coût de démarrage, mais elle ne règle pas tout : gouvernance, dépendance à une plateforme cloud, reproductibilité, et coût d'exploitation à grande échelle. En Europe, si vous réutilisez ces données dans un service, il faut aussi documenter vos traitements et préciser qui porte la responsabilité de la décision finale, surtout si la décision touche à la sécurité.
Conclusion
SatWeave et PARDIG répondent à un problème concret de la science météo : transformer des observations hétérogènes en données plus cohérentes et plus faciles à réutiliser. SatWeave assemble des images satellitaires fréquentes ; PARDIG estime les précipitations avec une couverture mondiale et une maille d'environ 10 km. Leurs archives et leurs flux ouvrent des pistes pour la recherche, l'hydrologie, la gestion des risques et certains usages liés à l'énergie.
Le point important n'est pas de les traiter comme une vérité terrain universelle. Il faut plutôt les considérer comme des briques à tester : confronter les résultats aux observations locales, vérifier les délais, et choisir une résolution adaptée à la décision visée. Pour des équipes qui travaillent dans des zones peu instrumentées, cette ouverture peut accélérer l'expérimentation. En revanche, passer en production demande toujours une validation adaptée au risque et au contexte.