La carte au trésor du réseau de neurones : où El Niño cache sa prévisibilité ✛
Le Pacifique tropical se réchauffe et se refroidit comme une immense batterie, et de son rythme dépendent les conditions météorologiques de l'Inde au Canada. Ce rythme est appelé El Niño – Oscillation australe, ou ENSO en abrégé. Le prévoir des mois à l'avance, c'est un peu comme prédire quand une casserole va bouillir sans connaître la puissance du feu. Les réseaux de neurones ont appris à le faire mieux que les modèles classiques, mais leur logique interne restait cachée, telle une carte sans légende. Aujourd'hui, des chercheurs ont trouvé un moyen d'éclairer sur cette carte les endroits où le réseau de neurones cherche le pouvoir prédictif.
Pour la prévision, le modèle reçoit des données sur la température de surface de l'océan et le contenu thermique sur trois mois. La tâche consiste à prédire l'indice Niño-3.4, c'est-à-dire la température moyenne dans une zone donnée du Pacifique, jusqu'à 23 mois à l'avance. D'abord, les auteurs ont remarqué que le réseau de neurones souffre d'un « gradient qui s'évanouit » : beaucoup de ses neurones restent bloqués dans un état où l'apprentissage ne modifie presque pas leur comportement. Pour y remédier, ils ont inséré, avant la fonction d'activation, des paramètres apprenables qui calibrent les caractéristiques, comme un accordeur ajuste les cordes avant un concert.
En appliquant la PPTV, les scientifiques ont obtenu une carte d'importance. Pour une prévision à un mois, presque toute l'attention est concentrée dans le Pacifique tropical. Si l'on entraîne le modèle uniquement sur ces données, la précision ne chute presque pas. Cela confirme que la méthode a bien identifié les zones clés. Avec l'augmentation de l'échéance, l'attention s'étend : d'abord le long de la latitude vers les zones tropicales des océans Indien et Atlantique, puis elle devient plus diffuse. Les zones au sud de 40° de latitude sud reçoivent toujours le moins d'attention.
L'analyse par canaux a montré qu'à court terme, la température de surface de l'océan est plus importante, tandis qu'à long terme, c'est le contenu thermique, c'est-à-dire la chaleur emmagasinée dans les couches supérieures de l'eau. Au printemps, le modèle élargit sa zone d'attention à tous les trois océans tropicaux, mais la précision de la prévision diminue quand même. Cela indique une limitation des données d'entrée, et non une erreur du modèle. Cette conclusion relie le barrage de prévisibilité printanier à un manque d'information.
La carte au trésor est maintenant éclairée, mais le trésor n'est pas encore entièrement trouvé. Le barrage printanier persiste, et les auteurs suggèrent d'ajouter davantage de variables océaniques et atmosphériques : le vent, la salinité. Peut-être alors le réseau de neurones trouvera-t-il de nouveaux repères et les prévisions deviendront-elles plus précises, même pendant la saison la plus capricieuse.
La méthode PPTV repose sur le concept de variation totale d'une fonction, qui remonte aux travaux d'Henri Lebesgue et est utilisée en traitement d'images pour supprimer le bruit. Ici, elle est appliquée pour la première fois à l'explication des réseaux de neurones en climatologie.