Une IA entend le murmure de l'océan trois mois avant la tempête ✛ ✎

Original: "CAS-Canglong: A skillful 3D Transformer model for sub-seasonal to seasonal global sea surface temperature prediction"
arXiv:2409.05369 · 2024-09-09 · arXiv non-exclusive · analyse indépendante · 2 min
Un programme entraîné sur 51 ans d'observations prédit la température de surface de la mer avec plus de précision que 22 modèles physiques.

Un interprète dans une immense salle perçoit non seulement son voisin, mais aussi les chuchotements dans un coin éloigné, et à partir de ces fragments, il reconstitue toute la conversation. C'est ainsi que fonctionne le réseau de neurones CAS-Canglong : il capte les liens entre pression, vent et chaleur à l'échelle de la planète, et en déduit l'état de l'océan trois mois plus tard.

Auparavant, la prévision à des échéances de deux semaines à une saison était le point faible de la météorologie. L'atmosphère oublie vite ce qui s'est passé la veille, et l'océan n'a pas encore accumulé assez d'énergie pour imposer son rythme au temps qu'il fait. Les modèles physiques exigent des supercalculateurs et se trompent quand même, surtout loin des tropiques. Le nouveau réseau de neurones, lui, a été entraîné sur 51 ans de relevés météo et fournit une prévision en quelques secondes sur une simple carte graphique.

Le modèle a prédit 85 % des événements El Niño et La Niña trois mois avant leur déclenchement. À titre de comparaison, les meilleurs modèles physiques atteignent environ 70 %.

Dans les océans du Sud, la corrélation entre prévision et réalité atteint 0,9 à un mois et 0,7 à trois mois. Autrement dit, si le réseau de neurones annonce un réchauffement des eaux au large de l'Australie, il y a de fortes probabilités que cela se produise. L'erreur sur la superficie du bassin chaud de la région indo-pacifique n'a été que de 3,8 %.

Auparavant, les modèles physiques produisaient de grandes erreurs à ces échéances, surtout aux latitudes extratropicales. Désormais, le réseau de neurones prédit le champ global de température de l'océan avec plus de précision que les 22 modèles physiques. Son secret : il ne cherche pas à reproduire la physique, mais apprend à partir des données historiques, comme un interprète qui maîtrise une langue après des milliers de conversations.

Une telle prévision peut être intégrée à des systèmes d'alerte précoce contre les sécheresses, les inondations et les vagues de chaleur. L'agriculteur saura des mois à l'avance si sa récolte est menacée, les gestionnaires d'énergie pourront se préparer aux pics de consommation, et les compagnies d'assurance évalueront les risques plus finement. L'interprète qui entend toute la salle ne traduit plus des mots isolés, mais l'ensemble de la conversation planétaire.

Le nom du modèle, Canglong, fait référence au dragon mythique de la Chine 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 extrême en Inde devient un déclencheur de changements mondiaux. Une prévision précise de la température de l'océan plusieurs mois à l'avance pourrait laisser le temps de se préparer à de tels événements.

L_{fmse} = \frac{1}{T_{out}} \sum_{t=1}^{T_{out}} (X_{t,l} - \hat{X}_{t,l})^2
Pénalité pour l'écart entre la température prédite et la température réelle, moyennée sur tous les mois de prévision
L_{corr} = \frac{1}{T_{out}} \sum_{l=2}^{T_{out}} \max\{0, 0.5 - \frac{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)(\hat{x}_{t,l} - \bar{\hat{X}}_l)}{\sqrt{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)^2} \sqrt{\sum_{t=1}^{T} (\hat{x}_{t,l} - \bar{\hat{X}}_l)^2}}\}
Pénalité supplémentaire si la corrélation entre prévision et observations tombe sous 0,5 à des échéances de deux mois et plus
RMSE = \sqrt{\frac{\sum_{i=1}^{N_{lon}} \sum_{j=1}^{N_{lat}} W(i) (\hat{X}_{i,j,l} - X_{i,j,l})^2}{N_{lon} \times N_{lat}}}
Erreur de prévision pondérée par le cosinus de la latitude, afin de tenir compte de la taille variable des cellules de la grille
Notions
sea surface temperature anomaly sea surface temperature NOAA CPC ENSO spring predictability barrier prévision El Niño La Niña NOAA PMEL / TAO ERSST Niño 4 Jin-Timmermann model OISST v2.1 forecast skill zebiak cane model IRI Indian Ocean Dipole North Atlantic Oscillation Southern Oscillation ocean-atmosphere coupling