El Niño – Oscillation australe (ENSO) reste le principal signal climatique interannuel de la Terre, influençant sécheresses, inondations et récoltes dans le monde entier. Le prévoir est difficile : dans une même série se mélangent bruits rapides, cycles saisonniers et tendances décennales lentes. Les approches existantes, des modèles conceptuels aux modèles climatiques globaux, ne fonctionnent de manière fiable que jusqu'à un an à l'avance. L'apprentissage automatique a amélioré la situation, mais presque tous les modèles performants utilisent des filtres qui, en lissant la série, regardent implicitement vers l'avenir. Cela les rend inadaptés à la prévision opérationnelle en temps réel. Ce travail se situe aux côtés des recherches sur la prévision des phénomènes climatiques par calcul à réservoir et réseaux de neurones, mais il s'en distingue en construisant pour la première fois tout le pipeline, des données brutes à la prédiction, strictement sans information future.
Les auteurs ont pris les données mensuelles de température de surface de l'océan dans la région Niño-3.4 (5°N–5°S, 170°W–120°W) de l'ensemble HadISST pour 1870–2022. Ils en ont soustrait la climatologie de 1971–2000, obtenant une anomalie sans aucune moyenne mobile. Ensuite, ils ont appliqué un nouveau filtre passe-bande : une moyenne mobile pondérée avec une fonction de pondération égale à zéro pour tous les instants futurs. Les paramètres du filtre (largeur de fenêtre, coefficients des cosinus, degré d'atténuation) ont été réglés par optimisation bayésienne afin de maximiser la proportion de motifs répétitifs dans la série filtrée tout en maintenant une corrélation élevée avec la série d'origine. La série filtrée a été introduite dans un réseau à écho (ordinateur à réservoir) avec des coordonnées retardées : le vecteur d'entrée était composé de neuf valeurs de la série avec un pas de retard de 4 mois. Les hyperparamètres du réseau (taille du réservoir 244, rayon spectral 0,712, taux de fuite 0,975, etc.) ont également été réglés avec Optuna sur la période d'entraînement 1986–1995, en maximisant la corrélation au 24e mois de prévision.
Le filtre optimal laisse passer les oscillations de périodes d'environ 4 à 8 ans, ce qui correspond à l'échelle de temps typique d'ENSO. En raison de l'asymétrie de la fonction de pondération, la série filtrée est décalée d'environ 5 mois en arrière, mais la corrélation avec la série d'origine atteint 0,837. Sur la période de test indépendante de janvier 2001 à décembre 2015 (180 départs de prévision), la corrélation moyenne toutes saisons reste supérieure à 0,5 pendant 29 mois. Compte tenu du décalage de cinq mois du filtre, cela correspond à un horizon de prédiction réel de 24 mois, soit deux ans. Pour comparaison, des matrices aléatoires de réservoir avec les mêmes hyperparamètres donnent un résultat nettement inférieur, ce qui confirme l'importance de l'optimisation. Le modèle reproduit bien les grands pics positifs et négatifs d'ENSO en 2010–2014, mais sous-estime l'El Niño record de 2015–2016.
Ce travail se distingue des recherches voisines en proposant pour la première fois un pipeline complet de prévision d'ENSO qui n'utilise aucune information future à aucune étape, du filtrage à l'apprentissage du modèle. Cela lève une limitation fondamentale pour la prévision opérationnelle en temps réel. De plus, les auteurs montrent qu'une architecture simple d'ordinateur à réservoir, avec un filtre bien choisi, atteint un horizon de deux ans comparable à celui de réseaux de neurones profonds plus complexes. La méthode n'est pas spécifique à ENSO : elle peut être appliquée à toute série temporelle présentant des oscillations basse fréquence marquées, où une prévision à long terme est nécessaire sans regarder vers l'avenir.
Une direction naturelle est de tester la méthode sur d'autres indices climatiques (par exemple, l'oscillation de Madden-Julian, l'oscillation nord-atlantique) et sur des séries non climatiques, des signaux financiers aux signaux biomédicaux. On peut aussi étudier comment le réglage de la bande passante du filtre influence l'horizon de prévision dans différents systèmes. L'augmentation de la longueur des données d'entraînement, éventuellement par augmentation de données, permettrait d'utiliser des réservoirs plus grands et de capturer une dynamique plus complexe. Il est prometteur de combiner le filtre proposé avec d'autres architectures d'apprentissage automatique, comme les ordinateurs à réservoir profonds ou les modèles hybrides.
La méthode pourrait améliorer les prévisions opérationnelles d'ENSO dans les agences météorologiques, ce qui est important pour l'agriculture, la gestion des ressources en eau et l'assurance. Elle fournit également un outil universel pour tout domaine nécessitant une prédiction à long terme de séries temporelles en temps réel sans information future.
La prochaine étape est la validation de l'approche sur d'autres variables climatiques et des ensembles de données indépendants. Il convient également d'étudier la sensibilité de l'horizon de prévision au choix de la bande passante du filtre et à la longueur de la fenêtre d'entraînement.
Dans les sciences du climat, la question de la prévisibilité d'ENSO au-delà du « barrière de printemps » et le rôle de la variabilité décennale dans la limitation de l'horizon de prévision restent ouverts. Ce travail ne résout pas ces problèmes, mais propose un moyen pratique de contourner la limitation liée à l'utilisation implicite d'informations futures dans les filtres, ce qui pourrait accroître la confiance dans les prévisions à long terme. Le lien avec les questions fondamentales sur le caractère chaotique du système climatique et les limites de la prévisibilité reste un sujet pour de futures recherches.
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 conçu un filtre passe-bande qui n'utilise que les valeurs passées de la série, et l'ont combiné avec un réservoir informatique pour prévoir l'ENSO. Sur les données de température de surface de l'océan dans la région Niño-3.4, la méthode atteint une corrélation supérieure à 0,5 à un horizon de 29 mois, ce qui correspond à deux ans en tenant compte du décalage du filtre. Les hyperparamètres du filtre et du modèle ont été ajustés par optimisation bayésienne.
Où est sa force
Le point fort est le respect strict de la causalité à toutes les étapes, du filtrage à la prévision, ce qui rend la méthode adaptée à une utilisation opérationnelle. On peut également souligner l'horizon de prévision de deux ans, qui dépasse les limites typiques pour l'ENSO.
Vers où avancer
À essayer
Pourquoi cela peut compter
L'approche développée montre que des méthodes strictement causales peuvent atteindre un horizon de prévision utile pour l'ENSO, ce qui est important pour des applications pratiques telles que la planification agricole et la gestion des ressources en eau. De plus, la méthode est potentiellement transférable à d'autres systèmes complexes présentant des propriétés similaires de séries temporelles.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.53, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
L'indice Niño-3.4 standard, utilisé pour déclarer El Niño, est lui-même lissé par une moyenne mobile sur cinq mois, ce qui signifie que le statut officiel du phénomène à un moment donné contient déjà des informations sur les mois à venir. Les auteurs ont renoncé même à cela pour que la prévision soit honnêtement opérationnelle.
Dans le roman de Kim Stanley Robinson « Quarante signes de pluie », des scientifiques tentent de prédire des changements climatiques brutaux, confrontés au chaos et à des données incomplètes. L'idée d'un filtre qui ne travaille qu'avec le passé fait écho au rêve d'une prévision qui ne dépend pas de la connaissance de l'avenir.