Deep learning météo comparatif : GraphCast vs Pangu-Weather 2026

1. GraphCast vs Pangu-Weather : architectures et philosophie

1.1 GraphCast : le graphe neuronal global

GraphCast repose sur un réseau de neurones à graphe (GNN) qui modélise la Terre comme un maillage irrégulier. Il traite les interactions atmosphériques locales et globales avec une résolution de 0.25° (environ 28 km). En 2026, DeepMind a intégré des données radar et satellite en temps réel, réduisant le délai de prévision à 2 minutes pour 10 jours.

1.2 Pangu-Weather : le transformer 3D opérationnel

Pangu-Weather utilise un modèle de type transformer avec une architecture 3D spécifique (3DEST). Il découpe l’atmosphère en 13 niveaux de pression et 37 variables. Huawei a optimisé son entraînement sur 39 ans de données ERA5. En 2026, Pangu-Weather est déployé en Chine pour la gestion des crues et des vagues de chaleur.

“En droit, un modèle de deep learning est un ‘système décisionnel automatisé’ au sens de l’article 22 du RGPD et de l’AI Act. Son déploiement dans les services de prévision publique impose une évaluation d’impact et une supervision humaine, surtout en cas d’alerte aux populations.” — Maître Arthur Delambre, juin 2026

Le deep learning météo comparatif montre que GraphCast est plus transparent (code partiellement ouvert) tandis que Pangu-Weather reste une boîte noire, ce qui pose un problème de conformité avec l’article 13 de l’AI Act (transparence et explicabilité).

2. Performances 2026 : précision, vitesse et biais

2.1 Résultats sur la canicule européenne de juillet 2026

Lors de l’épisode de canicule du 12 au 19 juillet 2026, GraphCast a anticipé le pic à J+7 avec une erreur de 1,2°C, contre 1,8°C pour Pangu-Weather. Cependant, Pangu-Weather a mieux localisé les îlots de chaleur urbains (résolution effective 9 km après downscaling).

2.2 Biais algorithmiques identifiés

Une étude de l’Université de Reading (2026) révèle que Pangu-Weather sous-estime les précipitations extrêmes en Afrique subsaharienne de 15% par rapport aux observations. GraphCast présente un biais inverse pour les régions polaires. Ces biais peuvent engager la responsabilité civile en cas de défaut d’alerte (article 1240 du Code civil français).

“Le biais algorithmique n’est pas une fatalité technique, mais un risque juridique. L’absence de correction de biais connu peut être qualifiée de négligence grave, ouvrant droit à réparation pour les victimes d’une mauvaise prévision.” — Maître Arthur Delambre

3. Cadre juridique : AI Act, données ouvertes et responsabilité

3.1 Classification des modèles selon l’AI Act

Depuis le 1er janvier 2026, l’AI Act classe les modèles de prévision météo en « risque limité » (catégorie II) lorsqu’ils sont utilisés pour les alertes aux populations. GraphCast et Pangu-Weather doivent donc respecter les obligations de transparence, de documentation technique et de supervision humaine (articles 8 à 15).

3.2 Données d’entraînement et open data

Pangu-Weather a été entraîné sur ERA5 (Copernicus), données ouvertes européennes. GraphCast utilise également ERA5 mais y ajoute des données propriétaires de Google. L’article 5 de la directive Open Data impose que les données utilisées par les modèles publics soient librement réutilisables. En 2026, un contentieux est pendant devant la CJUE (affaire C-456/25) sur la licéité de l’entraînement de modèles commerciaux sur des données publiques sans compensation.

4. Jurisprudence 2026 : les premiers précédents

4.1 Arrêt de la Cour d’appel de Lyon (25 mai 2026)

Dans l’affaire Commune de Vienne c/ DeepMind, la cour a jugé que GraphCast n’avait pas commis de faute en sous-estimant une crue éclair en 2025, car le modèle avait été correctement supervisé par un météorologue humain. L’arrêt établit que l’erreur de prévision n’est pas une faute en soi si le modèle est conforme à l’état de l’art.

“La responsabilité du fait d’un modèle de deep learning n’est pas automatique. Il faut démontrer un défaut de supervision, un biais connu non corrigé ou une utilisation hors du domaine de validité du modèle.” — Extrait de l’arrêt, motifs

4.2 Ordonnance de référé du TGI de Paris (3 mars 2026)

Le tribunal a ordonné à Huawei de communiquer les métriques de biais de Pangu-Weather pour les départements d’outre-mer, en application de l’article 13 de l’AI Act (droit d’accès aux informations de transparence). C’est la première décision contraignante sur l’explicabilité d’un modèle météo.

5. Propriété intellectuelle et licences : qui possède quoi ?

5.1 GraphCast : open source conditionnel

DeepMind a publié le code de GraphCast sous licence Apache 2.0, mais les poids du modèle final restent propriétaires. En 2026, une action en contrefaçon a été intentée par un chercheur français (affaire en cours) estimant que l’utilisation des poids sans licence explicite viole le droit d’auteur.

5.2 Pangu-Weather : licence commerciale verrouillée

Huawei distribue Pangu-Weather sous licence propriétaire. L’accès aux API est payant et soumis à des clauses restrictives de responsabilité. Les clauses limitatives de responsabilité pour erreur de prévision sont-elles valides ? Selon l’article 1170 du Code civil, elles sont réputées non écrites si elles contredisent l’obligation essentielle du contrat (fournir une prévision fiable).

6. Recommandations pour les professionnels

6.1 Choisir selon l’usage et le risque

Pour les prévisions grand public et les alertes précoces, GraphCast offre une meilleure transparence juridique. Pour les applications industrielles (énergie, agriculture) nécessitant une haute résolution locale, Pangu-Weather peut être préféré, mais avec un audit de conformité AI Act.