Le climat, un orchestre sans chef : des rythmes plutôt que des tendances ✛

Original: "Detection of Temporal Variability in U.S. Climate Using Harmonic and Wavelet Decomposition"
· Thomas Xiao
arXiv:2511.08627 · 2025-11-09 · CC0 1.0 · 2 min
Les données centenaires de la NOAA montrent que la météo américaine n'est pas dictée par des lignes droites, mais par la superposition de cycles qui prédisent mieux que toute tendance.

Le climat des États-Unis n'est pas une ligne droite qui grimpe. C'est un orchestre sans chef, où chaque violon et chaque tambour joue sa propre partie, et ensemble ils créent un motif complexe d'années chaudes et froides, humides et sèches. Thomas Xiao a pris l'enregistrement de 130 ans de cet orchestre, les données mensuelles de la NOAA sur la température, les précipitations et les sécheresses, et l'a décomposé en notes individuelles.

L'analyse harmonique est une façon d'entendre quelles notes sonnent plus souvent et plus fort. La transformée de Fourier décompose un signal en tons purs, tandis que les ondelettes montrent comment le volume de chaque note a changé au fil du temps.

Il s'avère que la partition contient deux motifs principaux. Le premier est le cycle annuel : l'été est toujours plus chaud que l'hiver. Le second est la respiration lente de l'océan, avec une période de deux à sept ans, que nous connaissons sous le nom d'El Niño. Ces rythmes expliquent la variabilité du climat mieux qu'une tendance monotone. Un modèle qui entend ces notes prédit l'avenir avec moins d'erreur que celui qui se contente de tracer une ligne droite.

Mais l'orchestre ne joue pas toujours la même partition. La méthode PELT, qui recherche les changements brusques de régime, a trouvé deux moments où la musique a changé. Dans les années 1930, la tempête de poussière a frappé, et en 1976-1977, un basculement du Pacifique s'est produit, comme si le chef d'orchestre avait soudainement changé le tempo.

Le résultat le plus inattendu : les plus fortes oscillations des précipitations aux États-Unis ne se produisent pas une fois par an, mais tous les quatre mois. Le cycle saisonnier a déjà été retiré des données, et il reste des modes plus rapides, liés aux processus intrasaisonniers.

Pour 2026-2035, la prévision est centrée autour de zéro avec une légère dérive positive. Cela signifie une possible augmentation de la variabilité des précipitations : la côte du Golfe du Mexique et le nord-ouest du Pacifique deviendront plus humides, tandis que le nord des Grandes Plaines s'asséchera légèrement. Mais la conclusion principale ne réside pas dans des chiffres précis, mais dans le fait que le climat n'est pas simplement une tendance, mais une superposition de rythmes. Et si nous voulons comprendre l'avenir, il faut écouter non seulement le volume, mais aussi la mélodie.

Le pic du spectre des précipitations à la fréquence de 3 cycles par an signifie que les plus fortes oscillations des précipitations aux États-Unis se produisent avec une période d'environ 4 mois, et non une fois par an comme on pourrait s'y attendre. Cela est dû au fait que le cycle saisonnier a déjà été retiré lors du calcul des anomalies, laissant des modes plus rapides, par exemple liés aux processus intrasaisonniers.

L'idée de prédire le climat à travers des rythmes cachés fait écho à « Fondation » d'Isaac Asimov, où la psychohistoire de Hari Seldon révèle des schémas cycliques dans l'histoire humaine. Dans les deux cas, l'avenir n'est pas linéaire, mais obéit à la superposition d'ondes de différentes longueurs, et la tâche consiste à extraire ces ondes du bruit.

A_t = \sum_{k=1}^{N/2} [a_k \cos(2\pi f_k t) + b_k \sin(2\pi f_k t)]
Représente la série temporelle comme une somme d'oscillations à différentes fréquences, permettant d'identifier les périodes dominantes.
W(s, \tau) = \frac{1}{\sqrt{s}} \int A(t) \psi^*\left(\frac{t-\tau}{s}\right) dt
Fournit une carte temps-fréquence, montrant comment l'intensité de chaque périodicité évolue dans le temps.
RMSE = \sqrt{\frac{1}{N} \sum_{t=1}^{N} (A_t - \hat{A}_t)^2}
Évalue quantitativement la précision de la prévision : plus la RMSE est faible, mieux le modèle reproduit les données.
Notions
natural variability decadal variability seasonal cycle North Atlantic Oscillation ENSO Atlantic multidecadal oscillation climat NOAA CPC seasonal forcing spring predictability barrier analyse par ondelettes El Niño TAO/TRITON moorings climate network Jin-Timmermann model UAH satellite record La Niña ocean-atmosphere coupling drought mixed mode oscillations