L'étude de la variabilité de la température de surface du Pacifique s'est longtemps appuyée sur des méthodes linéaires, comme l'analyse en composantes principales, qui exigent l'orthogonalité des modes et la maximisation de la variance expliquée. Cependant, des modes comme El Niño, l'oscillation décennale du Pacifique et le mode méridien du Pacifique se chevauchent spatialement et interagissent de manière non linéaire, si bien que les décompositions linéaires ne donnent qu'une image partielle. Autour de ce travail, on trouve dans les archives des études utilisant la transformée de Fourier, le filtrage et le traitement du signal pour séparer les échelles temporelles, mais elles nécessitent souvent des bandes de fréquences ou des régions géographiques prédéfinies. Ce travail se distingue : il applique l'apprentissage profond avec des contraintes physiquement motivées pour séparer les modes selon leurs échelles temporelles caractéristiques, sans filtres prédéfinis.
Les auteurs ont construit un autoencodeur guidé par la connaissance (KGAE) sur la base d'un autoencodeur variationnel avec cinq dimensions latentes. Les données d'entrée étaient les anomalies mensuelles de température de surface de la mer (SST) dans le Pacifique, issues de la réanalyse ERA5 de 1940 à 2023, dont on avait au préalable retiré la tendance et le cycle saisonnier. La fonction de perte incluait plusieurs termes supplémentaires : une pénalité pour le chevauchement des spectres de puissance entre les dimensions latentes, une pénalité pour la corrélation spatiale en cas de chevauchement spectral, ainsi qu'une incitation à l'unimodalité du spectre de chaque dimension latente. Pour évaluer l'incertitude, on a utilisé un ensemble de 100 modèles initialisés aléatoirement et une validation croisée avec des tranches temporelles alternées, afin de préserver l'accès à la variabilité basse fréquence. La sensibilité du décodeur a été analysée par la méthode des différences finies dans l'espace latent, ce qui a permis d'isoler les réponses linéaires et non linéaires.
KGAE a extrait trois modes dominants de variabilité : un mode décennal avec des périodes de 10 à 20 ans, un mode interannuel avec des périodes de 3 à 7 ans, et un mode quasi-biennal avec une période d'environ 2 ans. Les motifs spatiaux de ces modes se sont révélés robustes à l'initialisation aléatoire et au sous-échantillonnage des données. Le mode décennal ressemble par sa structure spatiale à l'oscillation décennale du Pacifique (PDO), avec une corrélation d'environ 0.84 dans le bassin et 0.92 dans le Pacifique Nord ; dans les tropiques, il ressemble à la phase négative de l'oscillation du gyre du Pacifique Nord (NPGO), avec une corrélation d'environ -0.88. Le mode interannuel est étroitement lié à l'indice Niño-3.4 (corrélation des séries temporelles d'environ 0.82) et aux indices des types est et central d'El Niño (corrélations spatiales d'environ 0.80 à 0.81). Le mode quasi-biennal est le plus fortement corrélé à l'indice du Pacifique oriental (environ 0.84), mais son spectre est concentré sur des périodes plus courtes que celles des indices standards d'El Niño. L'analyse des interactions non linéaires a montré que le mode décennal module la réponse du mode interannuel, et cette modulation est fortement corrélée au motif du mode méridien du Pacifique (PMM), avec une corrélation d'environ -0.86 dans le bassin. Des composites conjoints ont montré que lorsque les modes décennal et interannuel ont le même signe, des anomalies apparaissent, semblables à El Niño du Pacifique central (corrélation avec l'indice C d'environ 0.95), tandis que lorsque les signes sont opposés, elles ressemblent à El Niño du Pacifique oriental, mais plus faibles. L'analyse saisonnière a révélé que le mode quasi-biennal se renforce de juillet à novembre, et le mode interannuel de novembre à janvier, ce qui correspond aux phases de développement et de maturation d'El Niño. L'application de KGAE aux modèles climatiques E3SM2 et CESM2 a montré que CESM2 surestime la fréquence des El Niño du Pacifique central et présente un cycle saisonnier de transition de phases décalé.
Ce travail se distingue des études voisines en ce qu'il utilise, au lieu de décompositions linéaires ou de filtres prédéfinis, l'apprentissage profond avec des contraintes physiquement motivées pour séparer simultanément les échelles spatiales et temporelles. Cela permet de caractériser directement les interactions non linéaires entre les modes, que les méthodes traditionnelles ignorent. Les résultats confirment que la variabilité décennale module le type d'El Niño et que le mode quasi-biennal est lié à son développement et à son affaiblissement, ce qui concorde avec les mécanismes connus, mais est montré pour la première fois par une méthode unifiée sans hypothèses a priori.
La méthode KGAE peut être étendue à des données multidimensionnelles, en incluant par exemple la pression atmosphérique, le vent et la capacité thermique de l'océan, afin d'explorer les modes couplés de tout le système climatique. Il est également possible de l'appliquer à d'autres bassins ou à l'océan global. La modélisation explicite de la puissance spectrale variant dans le temps et la séparation de la variabilité interne du signal forcé restent des défis ouverts. À terme, KGAE pourrait contribuer à améliorer les prévisions à long terme d'El Niño en mettant en évidence des composantes plus prévisibles.
La méthode peut être utile pour évaluer le réalisme des modèles climatiques et pour améliorer les prévisions saisonnières et décennales. Elle offre également une nouvelle façon d'analyser les interactions non linéaires dans le système climatique.
La prochaine étape pourrait consister à intégrer dans KGAE des variables supplémentaires, telles que la capacité thermique de la couche supérieure de l'océan, et à l'appliquer à des problèmes de prévision pour vérifier si la séparation des modes améliore la prévisibilité d'El Niño.
Ce travail est directement lié au problème non résolu de la séparation de la variabilité interne du climat du signal forcé, ainsi qu'à la question de savoir dans quelle mesure la variabilité décennale du Pacifique est indépendante de la variabilité interannuelle. Il aborde également le problème de la prévisibilité d'El Niño, en particulier la barrière de prévisibilité printanière, qui, comme on le montre, est concentrée dans le mode quasi-biennal.
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 développé un autoencodeur guidé par connaissances (KGAE) pour séparer les modes de variabilité de la température de surface du Pacifique sans filtres prédéfinis. Le modèle a extrait les modes décennal, interannuel et quasi-biennal, et l'analyse de sensibilité du décodeur a révélé un lien entre le mode décennal et la modulation du type El Niño, ainsi qu'entre le mode quasi-biennal et son développement et son déclin. La méthode a également permis de détecter des erreurs systématiques dans les modèles climatiques E3SM2 et CESM2.
Où est sa force
La force de ce travail réside dans l'utilisation de contraintes physiquement motivées dans la fonction de perte (pénalités pour le chevauchement spectral, la corrélation spatiale et encouragement de l'unimodalité du spectre), ce qui a permis d'obtenir des modes interprétables et stables sans filtres prédéfinis. L'analyse de sensibilité dans l'espace latent offre la possibilité d'explorer des réponses non linéaires, inaccessibles aux méthodes linéaires.
Vers où avancer
À essayer
Pourquoi cela peut compter
La séparation des modes de variabilité du Pacifique par apprentissage profond sans filtres prédéfinis ouvre la voie à une compréhension plus précise des interactions non linéaires dans le système climatique, ce qui pourrait améliorer à la fois le diagnostic des modèles climatiques et la prévision de phénomènes tels qu'El Niño.
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.
La barrière de prévisibilité printanière d'El Niño, connue depuis les années 1980, s'est avérée dans ce travail propre au mode quasi-biennal, tandis que le mode interannuel conserve une prévisibilité plus longue.
L'idée de décomposer un signal complexe en composantes indépendantes cachées rappelle les tentatives des héros de science-fiction pour déchiffrer des messages extraterrestres en extrayant une structure du bruit. Dans le roman « Contact » de Carl Sagan, le signal contient des couches d'information imbriquées qui se révèlent au fur et à mesure de l'analyse, à l'image de KGAE qui met en évidence des modes cachés dans la température de l'océan.