Ce travail se situe à l'intersection de l'apprentissage automatique et de la climatologie, où des recherches voisines ont déjà montré que les réseaux de neurones profonds peuvent prédire l'indice ENSO sur 17 à 20 mois, mais nécessitent de grands ensembles de modèles climatiques pour l'entraînement. D'autres voisins étudient les barrières saisonnières de prévisibilité et les moyens de les surmonter grâce à l'IA. Cet article se distingue par le fait qu'il utilise uniquement une courte série d'observations satellitaires (environ 350 à 520 coupes mensuelles) et atteint pourtant un horizon de 24 mois sans recourir aux simulations de modèles climatiques. C'est la première vérification de l'apprentissage entropique en mode « petites données » pour une prévision aussi longue de la phase de l'ENSO.
Les auteurs ont rassemblé des données mensuelles sur la température de surface de l'océan global, le gradient vertical de température sous la surface et les contraintes de vent dans le Pacifique tropical, de septembre 1981 à décembre 2024. Chaque champ a été soumis à une analyse en composantes principales avec un décalage de 12 mois (analyse spectrale singulière), en conservant 160 composantes pour la température de surface, 140 pour le gradient et 100 pour les vents, auxquelles s'ajoutent l'indice Niño-3.4 et le volume d'eau chaude, soit 402 caractéristiques au total. Pour chaque échéance de prévision (de 1 à 24 mois), un ensemble de 50 modèles eSPA a été entraîné sur 80 % des données, en sélectionnant le meilleur selon le score probabiliste classé sur l'échantillon de validation de 20 %. Pour tenir compte de la saisonnalité, les modèles n'ont été entraînés que sur les mois correspondant à la même saison cible. Ensuite, un méta-modèle eSPA a été entraîné pour prédire la probabilité de justesse de chaque modèle de base à partir de 30 caractéristiques interprétables, et ces probabilités ont servi à pondérer l'ensemble.
Sur les prévisions rétrospectives de janvier 2012 à décembre 2022, eSPA a montré un score probabiliste classé de compétence (RPSS) positif jusqu'à 22 mois, alors que le panache de l'IRI ne le conserve que jusqu'à 10 mois. La précision reste supérieure à la climatologie jusqu'à 24 mois, et l'aire sous la courbe ROC (AUC) jusqu'à 24 mois pour El Niño et jusqu'à 21 mois en moyenne par classe. Les différences avec l'IRI ne sont pas statistiquement significatives au niveau de 95 %, mais eSPA surpasse l'IRI en AUC aux échéances de 2 à 6 mois. Le modèle a prédit avec succès El Niño 2015/16 et 2018/19 à 24 mois, ainsi que La Niña 2016/17, 2017/18 et 2020/21 à 24 mois. Les événements 2021/22 et 2022/23 (La Niña) ont été plus difficiles, prédits seulement à 12 et 8 mois. Le coût de calcul pour une prévision complète de 24 mois s'est élevé à environ 0,113 kWh, soit 1000 à 10000 fois moins que pour un seul membre de l'ensemble du modèle dynamique GloSea5-GC2.
Ce travail montre que l'apprentissage entropique peut extraire des informations prédictives de courtes séries d'observations sans surajustement, ce qui le place au même niveau que les meilleurs réseaux profonds, mais avec beaucoup moins de données et de ressources de calcul. Contrairement aux travaux voisins qui utilisent l'apprentissage par transfert sur de grands ensembles de modèles climatiques, ici l'apprentissage se fait uniquement sur des observations réelles, ce qui exclut l'héritage des biais des modèles. Le méta-apprentissage, qui pondère l'ensemble selon des caractéristiques interprétables, ouvre la voie à des prévisions probabilistes plus fiables dans des conditions de non-stationnarité du climat.
La méthode peut être étendue à la prévision par régression de l'indice Niño-3.4 lui-même, ainsi qu'à d'autres modes de variabilité, comme l'oscillation de Madden-Julian ou le dipôle de l'océan Indien. Un apprentissage adaptatif sur différents régimes climatiques aiderait à faire face à la non-stationnarité induite par le réchauffement anthropique. À terme, il serait possible de créer un modèle unifié piloté par les données pour la variabilité intrasaisonnière et interannuelle des tropiques.
Les résultats pourraient améliorer les prévisions saisonnières opérationnelles pour l'agriculture, la gestion des ressources en eau et l'énergie, en particulier dans les régions sensibles à l'ENSO. Le faible coût de calcul rend la méthode accessible aux services météorologiques des pays en développement.
Tester la méthode en temps réel sur les nouvelles données postérieures à 2022. Étudier les raisons de la compétence réduite pour la saison cible de juin à août et améliorer le traitement des épisodes successifs de La Niña.
Cet article aborde directement le problème de la « barrière de printemps » de la prévisibilité de l'ENSO et la limitation des séries d'observations, ce qui constitue un défi clé pour les modèles statistiques et dynamiques. Il contribue également à résoudre le problème des petites données dans l'apprentissage automatique climatique, en démontrant que les modèles probabilistes parcimonieux peuvent concurrencer les réseaux profonds sans grands échantillons d'entraînement.
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 appliqué l'approximation probabiliste parcimonieuse optimale en entropie (eSPA) aux données satellitaires depuis 1981 afin de prédire la phase de l'ENSO avec un délai allant jusqu'à 24 mois. Ils ont entraîné un ensemble de 50 modèles sur 80 % des données, en sélectionnant les meilleurs selon un indice probabiliste classé sur un échantillon de validation, puis ont agrégé leurs prédictions à l'aide d'un méta-modèle qui estime la probabilité que chaque prévision soit correcte. Lors des tests rétrospectifs de 2012 à 2022, eSPA conserve sa compétence jusqu'à 22 mois en RPSS et jusqu'à 24 mois en précision et en AUC, avec un coût de calcul inférieur de 3 à 4 ordres de grandeur à celui des modèles dynamiques.
Où est sa force
Ce travail montre que l'apprentissage par entropie extrait efficacement l'information prédictible de courtes séries d'observations, atteignant un horizon de prévision comparable à celui des réseaux de neurones profonds, mais sans nécessiter de grands ensembles de modèles climatiques.
Vers où avancer
À essayer
Pourquoi cela peut compter
Si l'approche eSPA confirme son efficacité sur des données indépendantes et est reproduite par d'autres groupes, elle pourrait devenir une alternative économique aux modèles dynamiques pour la prévision opérationnelle de l'ENSO, en particulier dans des contextes de ressources informatiques limitées.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.59, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Une prévision complète de 24 mois avec eSPA consomme autant d'énergie que le fonctionnement d'un ordinateur portable ordinaire pendant environ 2 heures, alors qu'une seule exécution d'un modèle dynamique de prévision saisonnière équivaut à la consommation mensuelle d'un appartement moyen.
Dans le roman de Kim Stanley Robinson « Le Ministère du futur », des prévisions précises à long terme des anomalies climatiques deviennent la base de décisions économiques mondiales. Cette méthode, qui prédit El Niño deux ans à l'avance, rapproche une telle possibilité.