main concepts scientists sections
SimplePopulaireAvancé

Le climat comme un orchestre : comment entendre la réponse aux sons soudains ✛

Original: "Kolmogorov Modes and Linear Response of Jump-Diffusion Models"
· Mickaël D. Chekroun, Niccolò Zagli, Valerio Lucarini
arXiv:2411.14769 · 2024-11-22 · CC BY 4.0 · 1 min
Dynamique chaotique Mécanique statistique Physique mathématique Physique atmosphérique et océanique
Des scientifiques ont trouvé un moyen de prédire comment le climat réagira à des événements soudains, comme une rafale de vent brutale.

Le climat ressemble à un orchestre. Il a ses rythmes naturels, comme les parties des violons et des cuivres. Parfois, des sons soudains font irruption dans la musique : une rafale de vent soudaine ou une pluie torrentielle. Autrefois, les scientifiques ne savaient prédire la réponse du système qu'à des changements progressifs, tandis que les sons soudains restaient une énigme.

Désormais, des formules ont été élaborées pour comprendre la réponse à toute secousse soudaine. L'idée est simple : décomposer la réponse selon les mêmes rythmes qui résonnent à l'état calme. Ainsi, la réaction à une perturbation devient une mélodie familière, et non une cacophonie.

Dans le modèle d'El Niño, qui décrit les oscillations de température dans l'océan Pacifique, la théorie a prédit avec précision la réponse à un changement du couplage océan-atmosphère. C'est comme si l'orchestre continuait à jouer sans fausse note, même lorsque le chef d'orchestre modifie légèrement le tempo.

Un test sur un autre modèle climatique a montré que les calculs correspondent à la réalité, bien que cela nécessite davantage de calculs. Mais désormais, on peut évaluer comment le climat réagira aux événements extrêmes et mieux s'y préparer.

Le graphe entier →

La méthode d'Ulam, utilisée pour estimer les modes, a été initialement proposée par Stanislas Ulam dans les années 1960 pour étudier les propriétés ergodiques des systèmes dynamiques, et elle aide désormais à analyser les modèles climatiques avec sauts.

\partial_t p(x,t) = -\nabla \cdot (F(x) p(x,t)) + \frac{1}{2} \sum_{i,j=1}^d \partial_{ij} (a_{ij}(x) p(x,t)) + \int_{\mathbb{R}^d \setminus \{0\}} [p(x-y,t) - p(x,t) + y \cdot \nabla p(x,t) \mathbf{1}_{\{\|y\|<1\}}] \nu(dy)
La variation de la densité de probabilité est la somme de la dérive, de la diffusion et d'une contribution non locale des sauts, décrite par une intégrale par rapport à la mesure de Lévy ν.
\delta^{(1)}[\Psi](t) = \epsilon \int_{-\infty}^{t} G_{\Psi,G}(t-s) g(s) ds + \epsilon \int_{-\infty}^{t} ds \int_{\mathbb{R}^d \setminus \{0\}} G_{\Psi,\nu}(t-s,y) \delta\nu_s(dy)
La réponse est la somme de deux contributions : une contribution locale due au changement de la dérive et une contribution non locale due au changement de la loi des sauts, chacune étant exprimée par sa propre fonction de Green.
Notions
théorème de fluctuation-dissipation coupled general circulation model linear inverse model théorème de Kolmogorov-Arnold-Moser équations de Lotka-Volterra régression linéaire théorie des jeux