Le climat comme une musique : pourquoi la météo a un rythme ✛

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 · 1 min
Un scientifique a décomposé 130 ans de météo en ondes et a découvert que le climat des États-Unis se prédit non par des lignes, mais par des cycles.

Le climat des États-Unis n'est pas une ligne droite, mais un orchestre sans chef. Chaque instrument joue sa partition, et ensemble ils créent un motif d'années chaudes et froides, humides et sèches. Le scientifique Thomas Xiao a pris 130 ans d'enregistrements météo (température, précipitations et sécheresses) et les a décomposés en notes individuelles, comme un musicien démonte une mélodie.

Il s'avère que dans cette musique, il y a deux motifs principaux. Le premier est le cycle annuel : l'été est toujours plus chaud que l'hiver. Le second est la lente respiration de l'océan, qui dure de deux à sept ans et s'appelle El Niño. Ces deux rythmes expliquent la variabilité du climat mieux que toute ligne droite.

Mais l'orchestre ne joue pas toujours de la même façon. Parfois, la musique change brusquement, comme dans les années 1930, quand est survenue la tempête de poussière, ou en 1976-1977, quand l'océan a changé son rythme. Si on entend ces notes, on peut prédire plus précisément la météo des mois à l'avance et se préparer à l'avance aux sécheresses. Ainsi, les agriculteurs et les gestionnaires de l'eau pourront mieux planifier leur travail.

Le pic du spectre des précipitations à la fréquence de 3 cycles par an signifie que les fluctuations les plus fortes 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, et il reste 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 soumis 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 une 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 la force de chaque périodicité varie 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 le 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