La prévision à l'échelle sous-saisonnière et saisonnière (de deux semaines à trois mois) reste le point faible de la météorologie : l'atmosphère oublie les conditions initiales en un mois environ, tandis que l'océan n'a pas encore accumulé assez d'énergie pour imposer son rythme au temps qu'il fait. Les modèles physiques en accès libre exigent d'énormes ressources de calcul et souffrent d'erreurs systématiques dans la description des interactions océan-atmosphère. Autour de ce problème, des travaux se sont déjà multipliés pour prévoir El Niño, les éruptions solaires ou les sécheresses grâce à l'apprentissage automatique, mais aucun n'avait abordé la prévision globale de la température de surface de l'océan à l'échelle sous-saisonnière. CAS-Canglong s'inscrit dans cette lignée, mais s'en distingue par son objet : au lieu d'indices ou de régions isolés, le modèle prédit d'un coup tout le champ de température de l'océan.
Les auteurs ont rassemblé 63 années de données mensuelles de réanalyse ERA5 avec une résolution de 0,25°×0,25° (1440×721 points de grille). Comme prédicteurs, ils ont retenu huit variables : pression au niveau de la mer, vent zonal et méridien à 850 et 500 hPa, hauteurs géopotentielles, flux de chaleur latente et rayonnement solaire net. Le modèle repose sur l'architecture Swin Transformer avec attention multi-têtes par fenêtres. Le tenseur d'entrée a pour dimensions 16 mois × 8 variables × 721 latitudes × 1440 longitudes. La sortie est la température de surface de l'océan pour le mois suivant, dans deux mois ou dans trois mois. L'entraînement a été effectué sur quatre processeurs graphiques A100 avec 80 Go de mémoire chacun. La fonction de perte combinait l'erreur quadratique moyenne et une pénalité pour faible corrélation (en dessous de 0,5) sur les échéances longues. Pour réduire l'incertitude, un ensemble de plusieurs modèles avec des initialisations différentes a été entraîné.
Sur le test indépendant de 2016 à 2022, CAS-Canglong a montré une corrélation de 0,91 pour la prévision de l'indice Niño 3.4 à un mois et de 0,57 à trois mois. Par rapport à 22 modèles physiques issus des ensembles ECMWF S2S et NMME, l'erreur a diminué de 13,7±3,0 % dans le Pacifique Sud et jusqu'à 77,1±0,6 % dans la région de l'oscillation arctique. En moyenne sur sept régions clés, l'amélioration se situe entre 28 et 40 %. Le modèle a correctement prédit 85 % des événements El Niño et La Niña à trois mois. Dans les océans du Sud, la corrélation atteignait 0,9 à un mois et 0,7 à trois mois. Pour le bassin chaud de la région indo-pacifique, le modèle a estimé la superficie à 5,93×10⁷ km² contre 6,17×10⁷ km² en réalité, soit une erreur de 3,8 %. En conditions opérationnelles pour l'année 2024, le modèle a prédit avant les autres la transition d'El Niño à La Niña.
Ce travail se distingue des recherches voisines par le fait qu'il applique pour la première fois un transformeur tridimensionnel au champ global de température de l'océan à l'échelle sous-saisonnière. Les approches précédentes utilisaient soit des LSTM pour des points locaux, soit prédisaient des indices isolés, soit travaillaient sur des échéances plus courtes ou plus longues. CAS-Canglong montre que l'attention portée aux relations spatio-temporelles dans les données de réanalyse permet de contourner les limites des modèles physiques sans description explicite de la physique. Ce n'est pas simplement une amélioration de métrique, c'est un changement de paradigme : au lieu de coûteux calculs d'ensemble, on peut entraîner un seul réseau de neurones et obtenir une prévision en quelques secondes.
Le modèle prend déjà en charge des prévisions jusqu'à 12 mois, bien que l'article n'évalue que les trois premiers mois. L'architecture permet un apprentissage par transfert vers d'autres variables : précipitations, humidité du sol, vent. La prochaine étape naturelle sera la prévision des phénomènes extrêmes sur terre liés aux anomalies de température de l'océan, comme les sécheresses en Amazonie ou les vagues de chaleur dans l'ouest de l'Amérique du Nord. Une extension est possible vers la prévision saisonnière de la couverture de glace et des paramètres biogéochimiques de l'océan.
L'amélioration de la prévision de la température de l'océan influence directement les alertes de sécheresses, d'inondations et de cyclones tropicaux, des mois avant l'événement. Cela compte pour l'agriculture, la gestion des ressources en eau et l'assurance.
Tester le modèle sur des données indépendantes issues d'autres réanalyses et sur des prévisions en temps réel pendant plusieurs années. Intégrer les prévisions de température de l'océan dans les modèles de prévision des précipitations sur terre.
Dans les sciences de la Terre, le problème de la prévisibilité à l'échelle sous-saisonnière reste non résolu : combien de temps la mémoire des conditions initiales persiste-t-elle dans le système océan-atmosphère ? Ces travaux montrent que l'apprentissage profond peut extraire cette mémoire des données mieux que les modèles physiques, mais la question de l'interprétabilité physique de ces prévisions reste ouverte.
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 ont rassemblé 63 années de réanalyse ERA5, entraîné le transformateur tridimensionnel Swin sur huit variables atmosphériques et montré que le modèle prédit la température mondiale de surface de l'océan sur 1 à 3 mois à l'avance avec plus de précision que les ensembles physiques dans sept régions clés, y compris l'indice Niño 3.4 et la superficie du bassin chaud.
Où est sa force
C'est la première fois qu'un transformateur tridimensionnel est appliqué au champ global de la température océanique à l'échelle sous-saisonnière, ce qui permet de saisir les relations spatio-temporelles sans description explicite de la physique et offre un gain de précision par rapport aux modèles physiques coûteux.
Vers où avancer
À essayer
Pourquoi cela peut compter
Améliorer les prévisions de température de surface de l'océan à l'échelle sous-saisonnière a un impact direct sur les alertes précoces de sécheresses, d'inondations et de vagues de chaleur, ce qui est particulièrement important pour les régions vulnérables.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.60, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Le nom du modèle, Canglong, fait référence au dragon mythique de la mythologie chinoise ancienne qui contrôle les pluies. Le modèle a été entraîné sur des données remontant à 1959 ; depuis, la température de l'océan sous les tropiques a augmenté d'environ 0,5 °C.
Dans le roman de Kim Stanley Robinson, « Le Ministère du futur », la chaleur en Inde devient un déclencheur de changements globaux. Une prévision précise de la température de l'océan des mois à l'avance pourrait donner le temps de se préparer à de tels événements.