Pour anticiper une crue, encore faut-il savoir où la pluie est tombée. Le 13 novembre 2026, Google DeepMind a annoncé l’ouverture de PARDIG et SatWeave, deux jeux de données utilisés par son modèle météorologique WeatherNext 3. L’un estime les précipitations, l’autre rassemble des images satellites. Leur intérêt dépasse une nouvelle performance d’intelligence artificielle : ils donnent à d’autres équipes des matériaux pour construire et vérifier leurs propres outils. Annonce de Google DeepMind.
Deux briques différentes pour comprendre le temps
SatWeave rassemble des vues difficiles à comparer
Les satellites ne produisent pas spontanément une photographie mondiale homogène. Leurs instruments, projections et rythmes d’acquisition diffèrent. SatWeave harmonise les observations de cinq positions géostationnaires, notamment GOES, Meteosat et Himawari, en une mosaïque comprenant 17 bandes spectrales.
Ces bandes donnent plusieurs regards sur les nuages et l’atmosphère, dans le visible et l’infrarouge notamment. Le flux actuel propose une image chaque heure, avec environ une heure de délai, sur une grille de 0,1 degré, soit approximativement dix kilomètres. Les archives remontent à 2016. L’apport pratique tient à ce travail de mise en cohérence : une équipe peut exploiter une grille commune plutôt que recommencer l’assemblage des observations. Documentation SatWeave.
PARDIG apprend à retrouver la pluie entre les mesures
PARDIG répond à une autre question : quelle quantité de précipitations ces observations permettent-elles d’estimer ? Le modèle apprend à rapprocher des images satellites et des champs atmosphériques des mesures du programme spatial GPM de la NASA et de la JAXA.
L’idée consiste à apprendre à partir de mesures précises mais dispersées, puis à appliquer cette relation sur une grille complète. Le produit obtenu estime les pluies déjà survenues ; il ne constitue pas, à lui seul, une prévision pour demain. Il peut en revanche servir de cible d’apprentissage à un modèle de prévision.
Les auteurs rapportent des résultats supérieurs aux produits comparés, dont IMERG V07, sur plusieurs seuils de précipitations. Ils ont utilisé trois réseaux radar régionaux et plus de 36 000 stations pour l’évaluation, distincts des mesures spatiales servant à l’entraînement. Ces résultats proviennent de leur prépublication, et ne constituent pas une reproduction indépendante. Étude PARDIG sur arXiv.
Quinze minutes de résolution ne signifient pas quinze minutes de retard
La distinction est décisive pour les usages. Selon les notes de version, PARDIG fournit des estimations espacées de quinze minutes, à environ dix kilomètres de résolution. Mais son flux est publié par lots toutes les six heures : le délai effectif varie d’environ deux à huit heures, avec une moyenne proche de cinq heures.
Deux variantes sont proposées : PARDIG-NRT couvre 2016 à aujourd’hui, tandis que PARDIG-LR propose une archive de 1999 à 2023. Les données sont distribuées sous licence CC BY 4.0, qui permet leur réutilisation sous réserve d’attribution. Notes de version WeatherNext.
Pour un utilisateur, cela impose de regarder deux horloges : l’heure représentée par la carte et celle de sa disponibilité. Une succession d’images rapprochées peut restituer finement un épisode passé sans être assez rapide pour guider une décision urgente pendant cet épisode.
Un accès ouvert, mais des limites très concrètes
La documentation qualifie PARDIG de produit expérimental. Elle signale des difficultés sur les reliefs, la neige et les faibles précipitations, ainsi qu’une extrapolation incertaine aux latitudes polaires. Les intensités instantanées sont plafonnées à 75 millimètres par heure, ce qui peut écrêter certains pics locaux.
Autre précaution : les changements d’instruments et d’entrées entre les périodes historiques peuvent créer des ruptures artificielles. Une variation dans une longue série ne doit donc pas être attribuée automatiquement au climat.
Les archives sont disponibles sur Cloud Storage et Earth Engine ; le flux actualisé passe par Cloud Storage. Google précise que ces estimations ne remplacent pas les alertes des services météorologiques officiels. Guide PARDIG et limites.
Le vrai test sera celui des bassins versants
L’ouverture rend possible une vérification plus intéressante qu’un classement général : celle des performances dans un territoire donné. Pour une équipe hydrologique, un premier usage pertinent serait de rejouer des événements connus et de comparer les estimations aux mesures locales, avant d’examiner leur effet sur une simulation de débit. C’est une piste d’évaluation, pas un bénéfice opérationnel déjà démontré partout.
Il faudrait notamment vérifier si les pluies les plus intenses sont placées au bon endroit et au bon moment. Une moyenne satisfaisante sur une vaste région peut masquer une erreur importante sur le petit bassin qui intéresse un gestionnaire.
L’enjeu de PARDIG et SatWeave se situe là : permettre à davantage d’équipes de poser ces questions avec des données accessibles. Le progrès se mesurera autant à la qualité des vérifications locales qu’à celle des cartes mondiales.
Références
- Google DeepMind — ouverture de PARDIG et SatWeave, 13 novembre 2026.
- Google — documentation technique de SatWeave.
- Shalev et ses coauteurs — PARDIG, prépublication arXiv du 10 novembre 2026.
- Google — notes de version WeatherNext.
- Google — accès et limites de PARDIG.
