Les saveurs d'El Niño : une analyse archétypale de la température océanique mondiale ✛

Original: "On the archetypal `flavours', indices and teleconnections of ENSO revealed by global sea surface temperatures"
arXiv:2406.08694 · 2024-06-12 · CC BY 4.0 · 4 min
L'analyse archétypale extrait des données satellitaires non pas deux, mais tout un spectre de types d'El Niño et de La Niña, y compris leur genèse et leur déclin.

Contexte

Les centres opérationnels remarquent depuis longtemps que les indices simples fondés sur la température de surface de l'océan ne capturent pas toujours toute la diversité d'El Niño. Au cours des dernières décennies, plusieurs types du phénomène ont été distingués : le type canonique du Pacifique est, le type du Pacifique central, Modoki, et d'autres. Les débats sur le nombre réel de « saveurs » d'El Niño ne s'apaisent pas, et chaque méthode de classification donne sa propre réponse. Ce travail se situe aux côtés des recherches qui tentent de prévoir El Niño un an et demi à l'avance ou de sonder « l'esprit » d'une IA météorologique, mais il s'en distingue en ce qu'il n'impose pas de limites régionales prédéfinies, mais recherche des états extrêmes dans le champ global de température.

Méthodes

Les auteurs ont pris les anomalies mensuelles de température de surface de l'océan (OISST v2.1) de 1982 à 2022, ont soustrait la tendance linéaire en chaque point pour éliminer la contribution du réchauffement climatique. Ensuite, ils ont appliqué l'analyse archétypale, une méthode qui trouve les points extrêmes de l'enveloppe convexe des données. Contrairement au clustering par K-moyennes, les archétypes ne se situent pas au centre du nuage de points, mais à sa frontière, c'est-à-dire qu'ils correspondent aux états les plus extrêmes. Pour accélérer les calculs, les données ont d'abord été compressées par analyse en composantes principales, en conservant 100 % de la variance. Le nombre d'archétypes (cardinalité) a varié de 2 à 20, mais les principales conclusions ont été tirées pour 4 et 8. Les résultats ont été comparés aux K-moyennes et au clustering flou par C-moyennes.

Résultats

Avec quatre archétypes, la méthode a identifié quatre états familiers : La Niña et El Niño du Pacifique central, ainsi que La Niña et El Niño du Pacifique est. L'augmentation de la cardinalité à huit a ajouté de nouvelles nuances, en particulier dans les périodes de transition. Par exemple, trois grands El Niño du Pacifique est (1982-1983, 1997-1998, 2015-2016) ont reçu des séquences de phases différentes avant et après l'événement. L'analyse des anomalies du niveau de la mer a donné une séparation plus nette des phases : lorsque la température de surface ne permettait pas de classer l'état avec certitude, le niveau de la mer montrait un archétype prononcé. La nature probabiliste de la méthode permet de calculer un « score de discrimination » qui indique si l'état actuel est proche d'un archétype pur ou s'il s'agit d'un mélange.

Implications

Ce travail montre que la diversité d'El Niño peut être décrite non par des catégories rigides, mais par une appartenance probabiliste à plusieurs types extrêmes. Cela diffère des études voisines qui utilisent souvent des indices fixes ou des méthodes de clustering donnant des motifs symétriques et moins flexibles. L'analyse archétypale ne nécessite pas de choisir à l'avance des limites géographiques et peut donc capturer des connexions globales, y compris les réponses extratropicales. L'utilisation du niveau de la mer plutôt que de la température de surface ouvre la voie à une surveillance plus fiable dans un climat en évolution.

Développements futurs

La méthode peut être étendue à d'autres modes climatiques : l'oscillation nord-atlantique, le mode Pacifique-Amérique du Nord, le mode annulaire austral, le dipôle de l'océan Indien. Pour la prévision à des échéances allant de quelques semaines à une saison, une procédure de mise à jour en ligne est proposée : les archétypes sont entraînés sur des données historiques, puis pour chaque nouveau champ de prévision, les probabilités d'appartenance sont calculées. Cela permettrait aux centres opérationnels de compléter les systèmes d'alerte existants avec des informations sur le type d'El Niño et ses conséquences possibles.

Impact

Climatologie et océanographie : amélioration de la classification des phases d'El Niño et de leurs téléconnexions. Centres de prévision opérationnels : informations plus détaillées sur le type de phénomène pour les bulletins et les alertes.

Prochaines étapes

Tester la méthode sur des prévisions saisonnières et évaluer dans quelle mesure les modèles reproduisent les archétypes. Étudier l'applicabilité à d'autres champs, tels que la salinité ou la température sous-surface.

Problèmes ouverts clés

Lien avec les problèmes non résolus de la climatologie : il n'existe toujours pas de consensus sur la question de savoir si les différents types d'El Niño sont des phénomènes dynamiquement distincts ou des manifestations d'un même continuum. L'analyse archétypale propose une façon de décrire ce continuum sans imposer de limites rigides, mais la question de la distinction statistique des motifs reste ouverte en raison de la courte série d'observations.

Le regard de la machine du savoir

Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.

Ce que fait ce travail

Les auteurs appliquent une analyse archétypale aux anomalies mondiales de la température de surface de l'océan sur la période 1982–2022, en mettant en évidence des états extrêmes correspondant à différents types d'El Niño et de La Niña. Ils montrent que l'augmentation du nombre d'archétypes révèle des nuances supplémentaires du phénomène, et que l'utilisation des anomalies du niveau de la mer permet une séparation plus nette des phases. La méthode permet de calculer l'appartenance probabiliste de l'état actuel aux archétypes, ce qui est utile pour un suivi opérationnel.

Où est sa force

La force de ce travail réside dans le fait que l'analyse archétypale n'impose pas de frontières géographiques prédéfinies et peut donc saisir des connexions globales, y compris les réponses extratropicales, tout en offrant une classification probabiliste plutôt que rigide des états.

Vers où avancer

  • Il pourrait être intéressant d'examiner comment l'appartenance probabiliste aux archétypes est liée à la prévisibilité d'El Niño à de longs horizons : une étude sur la prévision du phénomène un an et demi à l'avance est disponible dans les archives, et l'on pourrait vérifier si la connaissance de l'archétype actuel améliore la qualité de ces prévisions.appui : El Niño se laisse prédire dix-huit mois à l'avance arXiv:2601.12251
  • Il vaudrait peut-être la peine d'étudier comment les archétypes identifiés par la température de surface sont liés aux processus océaniques profonds : les archives contiennent une analyse de la chaleur souterraine de la Terre, où sont discutées des méthodes de sondage du contenu thermique, et une comparaison avec la structure verticale de l'océan pourrait révéler de nouvelles nuances du phénomène.appui : Le chasseur sous-marin de la chaleur terrestre arXiv:2606.20780

À essayer

  • Vérifier dans quelle mesure les archétypes construits sur le niveau de la mer coïncident avec ceux basés sur la température de surface pendant les périodes de transition.
  • Utiliser l'analyse archétypale pour estimer la probabilité d'apparition de différents types d'El Niño au cours des saisons suivantes à partir de l'état actuel.
  • Comparer le score discriminatoire avec des indices connus (par exemple, ONI, EMI) dans des prévisions rétrospectives.

Pourquoi cela peut compter

Si la classification probabiliste par archétypes s'avère liée à la prévisibilité et aux conséquences d'El Niño, cela pourrait améliorer le suivi opérationnel et la prévision, ainsi que faciliter l'évaluation des risques climatiques régionaux.

L'un des plus grands El Niño du Pacifique est, celui de 1982-1983, était si inhabituel qu'il n'a pas été remarqué au début par les systèmes de surveillance traditionnels, car les anomalies chaudes sont apparues là où on ne les attendait pas.

\arg\min_{C,S} \|X - XCS\|_F^2
On cherche des matrices C et S à éléments non négatifs et à sommes de lignes égales à un, telles que le produit XCS approxime au mieux les données X.
\Delta_{i_{max}}^p(t) = 1 - \frac{1}{p-1} \left( \frac{1}{S_{i_{max} t}} - 1 \right)
Le score vaut 1 si à un instant donné un archétype a une probabilité de 1 (état pur), et 0 si les p archétypes sont équiprobables (état neutre ou mélangé).
F^S_{s \times p} = \frac{\sum_t F_{st} S^T_{pt}}{\sum_t S_{pt}}
Moyenne pondérée dans le temps du champ F, où les poids sont les probabilités d'appartenance de chaque instant à l'archétype p, issues de la matrice S.

Chiffres clés

  • nombre d'archétypes pour l'analyse principale: 4 et 8
  • période de données: 1982-2022 (41 ans)
  • part de variance expliquée par la première EOF: 14,1 %
  • anomalie de température maximale pour l'archétype EP-Niño: +4,2 °C
  • durée moyenne de l'EP-Niño pour une cardinalité de 8: 7 à 8 mois
Scientifiques
Emile ClapeyronDavid CharbonneauR. A. RossiterD. B. McLaughlinMichel MayorDidier Queloz
Notions
ENSO El Niño index Jin-Timmermann model El Niño Multivariate ENSO Index La Niña ERSST relative ONI Southern Oscillation NOAA CPC Teleconnection NOAA PMEL / TAO TAO/TRITON moorings spring predictability barrier zebiak cane model equatorial wave propagation OISST v2.1 Pacific decadal oscillation sea surface temperature anomaly UAH satellite record