Le climat ressemble à un orchestre sans chef : chaque musicien entend les autres avec un décalage, et la partition change en plein concert. L'océan, l'atmosphère, la glace et la terre échangent continuellement de l'énergie, et le moindre accroc dans un instrument peut faire basculer toute la mélodie. Les modèles climatiques traditionnels, fondés sur des équations physiques, deviennent de plus en plus détaillés, mais leur complexité de calcul augmente, tandis que la compréhension des relations de cause à effet reste limitée.

Les auteurs de la revue proposent de ne pas construire un énième modèle géant, mais d'examiner les données autrement. Plutôt que d'essayer de reproduire chaque rouage du système, ils cherchent des régularités dans les enregistrements pluriannuels : comment ont évolué les précipitations, la température de surface de l'océan, les indices d'El Niño et de l'oscillation nord-atlantique. D'abord, à l'aide de la fonction d'autocorrélation, ils identifient les périodicités significatives, qui sont ensuite modélisées par des séries de Fourier. Pour sélectionner les harmoniques les plus importantes, ils appliquent la méthode LASSO. La mémoire à court terme du système est décrite par un modèle de causalité de Granger, qui vérifie si les valeurs passées d'une variable aident à prédire la valeur actuelle d'une autre. La corrélation spatiale entre les stations est prise en compte via un processus gaussien. Cette approche hybride permet de séparer les tendances à long terme, les cycles saisonniers et les interactions rapides.

Dans la première étude, consacrée aux sécheresses dans le sud-ouest de l'Australie, l'analyse de 194 stations météorologiques sur 58 ans a révélé une périodicité des précipitations d'environ 5,5 ans. La structure de corrélation entre l'indice de précipitations, la température de l'océan, le dipôle de l'océan Indien et El Niño a varié dans le temps : avant 2008, le dipôle influençait directement les précipitations ; après 2009, cette influence s'est affaiblie et le dipôle a agi indirectement par l'intermédiaire de la température de l'océan et d'El Niño. Les modèles incluant la température de l'océan et une correction spatiale ont montré la plus faible erreur de prévision : 0,34 pour l'indice de précipitations sur 12 mois.

Dans la deuxième étude, portant sur l'Atlantique Nord de 1982 à 2019, une boucle de rétroaction a été détectée entre l'oscillation nord-atlantique, la température de surface de l'océan et l'étendue de la glace de mer. Les tests de Granger ont confirmé une causalité mutuelle entre toutes les paires de variables. L'asymétrie négative de la distribution de l'indice d'oscillation indique que le système se rapproche d'une instabilité critique, ce qui pourrait annoncer des refroidissements extrêmes plus fréquents dans la région.

Ce travail montre que les méthodes d'apprentissage statistique et d'analyse de séries temporelles peuvent compléter les modèles climatiques physiques en révélant des dépendances cachées et des signes avant-coureurs de changements brusques. Contrairement aux études voisines qui se concentrent souvent sur la prévision d'un phénomène particulier, ici est proposé un cadre méthodologique général, applicable à différents sous-systèmes climatiques. La détection de boucles de rétroaction et de signes d'instabilité est importante pour l'évaluation des risques : de tels systèmes peuvent basculer vers de nouveaux états plus rapidement que ne le prédisent les modèles traditionnels.

L'orchestre sans chef continue de jouer, mais nous pouvons désormais entendre quels instruments jouent faux et quand la mélodie pourrait changer. La méthodologie peut être étendue à d'autres régions et à d'autres ensembles de variables, y compris les données sur les gaz à effet de serre, la végétation et les facteurs anthropiques. Il est prometteur de combiner les approches statistiques avec les modèles physiques pour améliorer les prévisions sur des décennies. L'application de méthodes d'apprentissage automatique pour la détection automatique d'instabilités en temps réel est également envisageable.