Comment un réseau de neurones prédit la météo océanique trois mois à l'avance ✛ ✎

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 · 1 min
Le programme apprend des relevés météo passés et prédit la température de la mer mieux que les modèles physiques complexes.

Un interprète dans une grande salle entend toutes les conversations à la fois et, grâce à elles, comprend de quoi on parlera dans une heure. C'est ainsi que fonctionne le réseau de neurones CAS-Canglong : il observe la pression, le vent et la chaleur sur toute la Terre et prédit la température de l'océan trois mois à l'avance.

Auparavant, une prévision à une telle échéance était très complexe. L'atmosphère change rapidement, tandis que l'océan accumule lentement la chaleur. Les modèles physiques exigent d'énormes ordinateurs et se trompent souvent. Le nouveau programme s'est entraîné sur d'anciens relevés météo et effectue désormais ses prévisions en quelques secondes.

Le réseau de neurones a correctement prédit 85 % des événements El Niño et La Niña sur trois mois. Ce sont les phases chaude et froide de l'océan qui influencent la météo dans le monde entier.

Dans les océans du Sud, la prévision concorde avec la réalité à 90 % pour un mois à l'avance et à 70 % pour trois mois. Cela signifie que si le programme annonce un réchauffement de l'eau, il y a de fortes chances que cela se produise. Une telle prévision aidera les agriculteurs, les énergéticiens et les secouristes à se préparer à l'avance.

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 depuis 1959 : pendant cette période, 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 plusieurs mois à l'avance pourrait donner 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 pour 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 pour tenir compte de la taille variable des cellules de 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