Actualités

Google DeepMind Publie les Jeux de Données PARDIG et SatWeave pour la Modélisation Météorologique

Google DeepMind dévoile les jeux de données PARDIG et SatWeave, permettant des applications avancées en météorologie, hydrologie et climat avec des données historiques et en direct ouvertes.

Google DeepMind Publie les Jeux de Données PARDIG et SatWeave pour la Modélisation Météorologique

Article traduit. Lire l'article original.

Google DeepMind a annoncé le lancement de deux jeux de données fondamentaux, PARDIG et SatWeave, destinés à faire avancer la recherche mondiale en météorologie, hydrologie et climat. Ces jeux de données, qui soutiennent les capacités du modèle WeatherNext 3 récemment lancé, sont désormais disponibles en accès libre pour les chercheurs et développeurs du monde entier. L'initiative vise à relever des défis critiques dans l'observation et la prévision des conditions météorologiques et des cycles de l'eau de la Terre.

SatWeave : Une mosaïque satellite unifiée

SatWeave intègre les données de six satellites géostationnaires—GOES-Est, GOES-Ouest, Meteosat 0 , Meteosat Océan Indien et Himawari—en une mosaïque mondiale cohésive. Contrairement aux composites existants qui offrent des canaux limités et des mises à jour peu fréquentes, SatWeave fournit 17 canaux visibles, de vapeur d'eau et infrarouges avec des mises à jour horaires. Cela permet à WeatherNext 3 de produire des prédictions mondiales plus fréquemment que les modèles traditionnels, qui dépendent de rafraîchissements de données toutes les six​ heures. Des archives historiques s'étendant sur plus de 10 années et des flux en direct sont désormais accessibles, ouvrant la voie à des applications telles que la prévision de l'énergie solaire et la surveillance des incendies de forêt.

PARDIG : Données mondiales de précipitation haute résolution

PARDIG (Reanalyse AI des Précipitations : Densément Inférées GPM) fournit des cartes de précipitations mondiales très précises avec une résolution temporelle de 15 minutes et une résolution spatiale d'environ 10 kilomètres. Basé sur une IA formée avec les données du NASA Global Precipitation Measurement (GPM) Core Observatory, les images SatWeave et les champs atmosphériques de l'ECMWF, PARDIG vise à combler les lacunes dans le suivi des précipitations, en particulier dans les régions dépourvues de réseaux radar au sol denses. Les évaluations face aux réseaux radar aux États-Unis, en Europe et au Japon, ainsi que sur plus de 36,000 stations météorologiques, montrent que PARDIG dépasse le jeu de données IMERG-Final de la NASA, améliorant la compétence de détection pour les précipitations légères à modérées de plus de 30% .

Autonomiser la recherche mondiale

Les deux jeux de données sont disponibles via Google Cloud Storage, avec les catalogues historiques de PARDIG également hébergés sur Google Earth Engine. En fournissant des données en direct et historiques, Google DeepMind vise à permettre à la communauté de recherche mondiale de développer des modèles améliorés pour des applications critiques, y compris la prévision des inondations, des glissements de terrain et des sécheresses. Cette publication fait partie du portefeuille plus large Earth AI de Google, qui tire parti de systèmes d'IA avancés pour relever des défis environnementaux pressants.

Autres articles en français · Comparaisons financières et sources SEC (anglais)