Pourquoi le climat est bancal : une nouvelle lentille pour les données ✛ ✎

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 · 1 min
Les modèles habituels voient un climat symétrique, mais une nouvelle lentille capture l'asymétrie entre le chaud El Niño et le froid La Niña.

Une vitre plane ne déforme pas l'image, mais elle ne montre pas non plus l'asymétrie. Les climatologues ont longtemps regardé El Niño à travers une telle vitre et n'ont vu que des oscillations symétriques : vers le haut et vers le bas, chaud et froid. En réalité, la phase chaude d'El Niño est souvent plus forte que la froide La Niña, mais la vitre ne le remarquait pas.

Les scientifiques ont fabriqué une lentille incurvée : ils ont ajouté des termes quadratiques à l'équation. C'est comme donner une courbure à la vitre pour qu'elle focalise non seulement la moyenne, mais aussi l'asymétrie. La forme de la lentille est ajustée en fonction de la manière dont les données sont corrélées entre elles à différents instants. Si auparavant on ne considérait que les corrélations par paires, on tient désormais compte des corrélations entre trois et quatre échantillons à la fois.

Sur les données du Pacifique couvrant 42 ans, la nouvelle lentille a révélé une asymétrie invisible auparavant. La distance entre le modèle et la réalité a été presque réduite de moitié.

Désormais, les climatologues peuvent voir l'asymétrie ailleurs : dans l'atmosphère, l'océan, et même dans les systèmes chaotiques. 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 leur méthode sur un système à deux dimensions (où il n'y a pas de chaos), puis sur le système de Lorenz à trois dimensions.

\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 valeurs observées.
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