La prévision d'El Niño à l'échelle saisonnière et annuelle est cruciale pour l'agriculture, l'énergie et la prévention des catastrophes naturelles dans le monde entier. Les réseaux de neurones profonds montrent de bons résultats, mais nécessitent des milliers d'années de données modélisées, qui comportent des erreurs systématiques des modèles climatiques. Les modèles inverses linéaires (LIM) s'entraînent sur de courtes séries d'observations et fournissent des prévisions comparables aux modèles opérationnels, mais ne capturent pas les processus non linéaires. Ce travail s'inscrit à côté des recherches sur la prévision d'El Niño à dix-huit mois et sur l'utilisation des réseaux de neurones pour des problèmes climatiques, mais il se distingue en combinant les forces des approches linéaire et non linéaire dans un seul modèle.
Les auteurs ont utilisé une simulation préindustrielle de 2000 ans du modèle climatique CESM2, dont ils ont extrait les anomalies mensuelles de température de surface de la mer (SSTA) et de hauteur de la mer (SSHA) dans le Pacifique tropical. Les données ont été divisées en 1500 ans pour l'entraînement, 300 ans pour la validation et 200 ans pour le test. D'abord, ils ont construit un modèle inverse linéaire cyclostationnaire (CS-LIM) qui tient compte du cycle saisonnier et de la mémoire de l'océan via la SSHA. Ensuite, un réseau LSTM a été entraîné à prédire la différence entre la prévision du CS-LIM et les données réelles, c'est-à-dire la correction non linéaire. Le réseau traitait un ensemble de 16 prévisions du CS-LIM et produisait un ensemble corrigé. Pour comparaison, des modèles LSTM et ConvLSTM purs de la même architecture ont été entraînés.
Sur 1500 ans d'entraînement, le modèle hybride LIM-LSTM a montré une amélioration significative de la compétence par rapport au CS-LIM pour des échéances de prévision supérieures à 6 mois. Le gain était le plus important dans l'ouest du Pacifique tropical, où les rétroactions non linéaires océan-atmosphère sont les plus fortes. En réduisant l'échantillon d'entraînement à 100-300 ans, l'hybride maintenait une compétence supérieure à 0.5 en coefficient de corrélation anormale pour une prévision à 12 mois, tandis que le LSTM pur tombait en dessous de 0.4. Ce n'est qu'après 500 ans d'entraînement que le LSTM pur rattrapait l'hybride. L'hybride prédisait également plus précisément l'amplitude des El Niño forts et reproduisait l'asymétrie entre les événements chauds et froids, que le modèle linéaire ne voit pas.
Ce travail montre que l'approche hybride permet d'extraire une prévisibilité non linéaire à partir de données limitées, inaccessible aux modèles purement linéaires ou purement neuronaux. Contrairement aux travaux voisins, qui soit améliorent les modèles linéaires, soit construisent de grands réseaux de neurones sur des données modélisées, ici, pour la première fois, la dépendance de la compétence à la longueur de l'échantillon d'entraînement a été systématiquement étudiée pour l'hybride et pour les réseaux de neurones purs. Cela change la perception de la quantité minimale de données nécessaire pour la prévision saisonnière d'El Niño.
Il est prometteur d'appliquer un tel hybride aux données réelles de réanalyse, qui ne couvrent qu'environ 100 à 150 ans, et de vérifier si l'avantage persiste. L'utilisation de méthodes d'adaptation de domaine pourrait permettre de transférer un modèle entraîné sur des simulations climatiques vers des observations. Il est également important de comprendre quels processus non linéaires précisément le LSTM capture, et s'ils peuvent être reliés aux mécanismes connus d'asymétrie d'El Niño.
Les résultats pourraient améliorer les prévisions saisonnières opérationnelles d'El Niño et des anomalies associées de précipitations et de température. L'approche hybride est également applicable à d'autres modes climatiques lents, comme l'oscillation décennale du Pacifique.
Tester le modèle sur des données d'observation et de réanalyse, et non seulement sur le climat modélisé. Étudier quels mécanismes non linéaires sont responsables de l'amélioration de la prévision dans l'ouest du Pacifique.
Ce travail est directement lié au problème de la rareté des données d'observation pour l'entraînement des modèles de prévision saisonnière. Il aborde également la question de savoir quelle part de la prévisibilité d'El Niño est due aux processus linéaires et quelle part aux processus non linéaires, une question qui reste ouverte en climatologie.
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 combiné un modèle linéaire inverse cyclostationnaire (CS-LIM) avec un LSTM entraîné sur les erreurs du LIM, et ont montré que l'hybride surpasse les deux modèles purs sur des données simulées de 100 à 500 ans, en particulier dans le Pacifique tropical ouest pour des échéances supérieures à 9 mois, où il capture l'asymétrie d'El Niño.
Où est sa force
Une étude systématique de la dépendance de la compétence à la longueur de l'échantillon d'entraînement pour l'hybride et les réseaux de neurones purs est un résultat rare et précieux, qui montre comment extraire la prévisibilité non linéaire de données limitées.
Vers où avancer
À essayer
Pourquoi cela peut compter
Si l'approche hybride se confirme sur des données réelles, elle pourrait réduire les exigences en matière de volume de données d'entraînement pour les prévisions saisonnières, ce qui est particulièrement important pour les régions disposant de courtes séries d'observations.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.52, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Pour couvrir toute la diversité des événements interannuels d'El Niño, il faudrait environ 500 ans d'observations, mais les données satellitaires ne couvrent que les 40 dernières années.
Dans le roman de Kim Stanley Robinson « Quarante signes de pluie », la prévision précise d'El Niño devient une question de sécurité nationale, et en réalité, les modèles hybrides tentent justement d'extraire le maximum de courtes séries de données.