Une lentille qui voit l'asymétrie : modèles climatiques non linéaires ✛ ✎

Original: "Beyond Gaussian Assumptions: A Nonlinear Generalization of Linear Inverse Modeling"
· Justin Lien, Hiroyasu Ando
arXiv:2503.24234 · 2025-03-31 · arXiv non-exclusive · analyse indépendante · 2 min
Les modèles climatiques ordinaires ne perçoivent que des oscillations symétriques, mais une nouvelle lentille quadratique met au point l'asymétrie entre El Niño et La Niña.

Des lunettes à verres plans montrent un monde symétrique : la montée et la descente, le chaud et le froid paraissent identiques. Pendant des décennies, les climatologues ont observé El Niño à travers de telles lunettes, les modèles inverses linéaires. Ils captaient le rythme des oscillations, mais ne voyaient pas que la phase chaude d'El Niño est généralement plus marquée et plus forte que la froide La Niña. L'asymétrie restait hors champ.

La nouvelle étude propose de courber la lentille : ajouter des termes quadratiques à l'équation différentielle stochastique. Si le modèle linéaire est un verre plan, le modèle quadratique est une lentille courbe qui focalise non seulement la moyenne, mais aussi l'asymétrie. Les paramètres d'une telle lentille s'estiment à partir des fonctions de corrélation des données observées jusqu'au quatrième ordre. C'est comme déterminer la forme d'un verre en observant comment il réfracte la lumière sous différents angles.

L'astuce clé : pour un bruit blanc, les paramètres de la dynamique s'expriment en fonction de l'espérance mathématique et des fonctions de corrélation des deuxième, troisième et quatrième ordres à l'origine, ainsi que de leurs dérivées premières. Pour un bruit coloré, on ajoute les dérivées secondes et les corrélations croisées entre le bruit et l'état.

La méthode a été testée sur un système synthétique bidimensionnel, sans chaos, et sur le système de Lorenz tridimensionnel, avec chaos. Sur les données réelles d'El Niño 3.4 pour 1979–2021, la nouvelle lentille a produit des distributions asymétriques : la distance de Wasserstein pour la température de surface de l'océan est passée de 0.0949 pour les modèles linéaires à 0.0555 pour le modèle non linéaire avec bruit coloré. L'asymétrie, auparavant invisible, est apparue.

Désormais, les climatologues peuvent examiner l'asymétrie d'autres régimes de l'atmosphère et de l'océan, sans se contenter d'images symétriques. La lentille est devenue plus précise, et le monde qu'elle montre est plus proche de la réalité.

La dimension minimale pour le chaos dans un système autonome différentiable est trois ; c'est pourquoi les auteurs testent d'abord la méthode sur un système bidimensionnel (sans chaos), puis sur le système de Lorenz tridimensionnel.

\frac{d}{dt}x_i = \sum_{j,k} B_{ijk} x_j x_k + \sum_j A_{ij} x_j + C_i + \sum_j (\sqrt{2Q})_{ij} \cdot \text{noise}_j
Le taux de variation de chaque variable dépend des interactions quadratiques, de l'amortissement linéaire, d'un décalage constant et d'une impulsion aléatoire.
0 = \text{Sym}\left( B \times_2 M(0) + A \times_1 K(0) + C \times_0 E^T + Q \right)
À l'état stationnaire, l'amortissement déterministe et le forçage stochastique s'équilibrent, ce qui permet de déterminer la matrice de bruit.
Q_{C-nLIM} = \arg\min_Q \left( \|R\|_F + \|K(0) - K_{obs}(0)\|_F + \|M(0) - M_{obs}(0)\|_F \right)
La matrice de bruit est ajustée de sorte que les corrélations synthétiques et le résidu d'équilibre soient aussi proches que possible des observations.
Notions
linear inverse model nonlinear laplacian spectral analysis flots normalisants modèle probabiliste modélisation stochastique modélisation de lentille gravitationnelle Dynamique non linéaire processus gaussien apprentissage contrastif régression linéaire modèles quantiques grands modèles de langage distribution gaussienne moyenne pondérée apprentissage faiblement supervisé filtre adapté données simulées non-linéarité réseau neuronal informé par la physique simulation sur réseau