Chaque printemps, les prévisions d'El Niño perdent de leur vigueur, comme un interprète qui se laisse distraire par le moindre bruissement dans la salle et transforme une réunion d'une heure en séance de deux heures. Les scientifiques appellent cela la barrière de prévisibilité printanière : c'est en mars et en avril que les modèles, qui en janvier encore affirmaient avec confiance une phase chaude dans le Pacifique, se trompent deux fois plus souvent. Les nouveaux travaux proposent une autre voie : ne pas essayer de crier plus fort que le bruit, mais apprendre au réseau de neurones à l'éliminer couche par couche, comme un restaurateur enlève la suie d'un vieux tableau.

Les auteurs ont pris les six derniers mois de température de surface de l'océan dans le Pacifique tropical et ont demandé au modèle de produire une distribution de probabilités pour le mois suivant. Puis le mois prédit était ajouté à l'historique et la procédure était répétée jusqu'à 30 fois, de sorte que la prévision glissait vers l'avant, comme une personne qui traverse un marais et vérifie chaque touffe d'herbe avant d'y transférer son poids. L'entraînement a été effectué sur la réanalyse IAP v4 de 1940 à 1999, et la validation sur la période indépendante 2000-2023. Deux variantes ont été comparées séparément : avec et sans pré-entraînement sur l'ensemble des modèles climatiques CMIP6.

Le résultat a surpris : le modèle sans pré-entraînement sur CMIP6 maintient une corrélation de l'indice Niño3.4 supérieure à 0.5 pendant 14 mois, tandis que la variante avec CMIP6 perd ce niveau après seulement 7 mois. Dans une expérience antérieure sur les données de 1980-2021, la corrélation supérieure à 0.5 s'est maintenue jusqu'à 26 mois, et l'erreur absolue moyenne de température sur 30 mois était de 0.66 °C. À titre de comparaison, pour les principaux modèles dynamiques, l'erreur à l'horizon de 6 à 9 mois dépasse 0.7 °C. Le modèle a reproduit le super El Niño de 2015 et la triple Nina de 2020-2022 avec une erreur d'indice comprise dans ±0.3 °C.

La principale surprise physique : lorsque les auteurs ont analysé comment le modèle élimine le bruit à chaque étape, il s'est avéré que ce processus est mathématiquement équivalent à l'équation de Van der Pol. Cette équation décrit des oscillations auto-entretenues avec un amortissement non linéaire, c'est-à-dire précisément le cycle d'accumulation et de décharge de chaleur qui engendre El Niño et La Niña. Les paramètres d'amortissement non linéaire et de fréquence d'oscillation, extraits du réseau de neurones, correspondent au cycle observé de 22 mois de l'ENSO. Le réseau de neurones n'a pas simplement appris les données ; il a, de lui-même et sans indications, reproduit la physique de la variabilité climatique.

Avant ces travaux, on ne savait pas s'il était possible d'obtenir à la fois une prévision probabiliste d'El Niño à plus d'un an et un modèle physiquement interprétable. Désormais, c'est clair : le modèle de diffusion fournit une prévision fiable de l'indice Niño3.4 sur 14 à 26 mois et reproduit en interne, dans son processus inverse, l'équation de Van der Pol. Un tel outil peut être utilisé dans les centres opérationnels pour la prévision probabiliste d'El Niño et l'alerte précoce à la barrière de prévisibilité printanière, lorsque la précision des modèles chute brutalement chaque printemps. Le réseau de neurones a cessé d'être une boîte noire pour devenir une fenêtre sur la mécanique de l'océan.