Les prévisions modernes d'El Niño utilisent de plus en plus des ensembles de modèles d'apprentissage automatique qui atteignent une haute précision mais restent des « boîtes noires ». Autour de ce travail, il existe déjà des approches qui expliquent les prévisions des réseaux profonds via des cartes de sensibilité par gradient, mais elles sont a posteriori et souvent instables. Cette recherche s'inscrit dans la quête de méthodes interprétables, mais se distingue en ce que l'interprétabilité est intégrée dans la structure même du modèle, et non ajoutée de l'extérieur.
Les auteurs entraînent un ensemble de 50 approximations probabilistes parcimonieuses optimales au sens de l'entropie (eSPA) sur les données de l'ère satellitaire (SST, gradient vertical de température, tensions de vent) pour chaque échéance de prévision de 1 à 24 mois. Ensuite, ils sélectionnent uniquement les modèles qui ont fourni une prévision correcte de la phase, puis regroupent leurs états internes en 12 « super-grappes » par la méthode des k-moyennes avec des poids d'importance des caractéristiques. Pour chaque échéance, des matrices de transition entre grappes sont construites, à la fois dans le temps et entre échéances, ce qui permet de reconstruire les trajectoires typiques de développement des événements.
Les modèles distillés conservent la précision prédictive de l'ensemble d'origine : le score de compétence probabiliste classé (RPSS) reste supérieur à zéro pour toutes les échéances, sauf pour 6 mois, et est significativement positif pour la plupart des échéances. Le temps de relaxation moyen de la chaîne de Markov des super-grappes est de 6.0 mois, ce qui est proche du temps de repliement e de l'indice Niño-3.4 (6.1 mois). La dimensionnalité effective de l'espace des caractéristiques atteint son maximum lorsque la prévision doit franchir la barrière de prévisibilité printanière. Les cartes spatiales d'importance mettent en évidence des précurseurs connus, tels que le mode méridional du Pacifique Nord, et l'étude de cas d'El Niño 2015/16 montre comment le modèle suit le chemin des anomalies extratropicales jusqu'à l'événement mature.
Ce travail se distingue des recherches voisines en ce que l'interprétabilité n'est pas appliquée a posteriori à un réseau profond, mais est extraite directement de la structure de l'ensemble de modèles entropiques. Cela fournit des explications des prévisions plus stables et physiquement cohérentes que les méthodes par gradient, et permet de construire des récits de type causal du développement des événements. Les super-grappes et les matrices de transition obtenues servent d'outil diagnostique compact pour analyser la prévisibilité à long terme d'El Niño.
La méthode peut être étendue à des variables cibles continues, par exemple à l'indice relatif Niño-3.4, ou à des formulations multi-indices incluant le dipôle de l'océan Indien. Une transition vers des super-grappes cyclostationnaires, spécifiques à chaque saison, est possible pour tenir compte de l'hétérogénéité saisonnière de la dynamique. Il est également prometteur de remplacer le filtrage par vérification par un méta-modèle qui sélectionnerait les membres performants de l'ensemble en temps réel.
Les résultats pourraient améliorer les prévisions climatiques saisonnières opérationnelles en les rendant plus transparentes et dignes de confiance. Ils sont également utiles aux climatologues étudiant les mécanismes physiques d'El Niño, car ils fournissent des cartes quantitatives des précurseurs.
La prochaine étape consistera à développer un méta-modèle pour sélectionner les membres performants de l'ensemble en temps réel, ce qui permettra d'appliquer la distillation en mode opérationnel. Il est également prévu d'inclure des caractéristiques catégorielles dans le calcul des affiliations afin d'améliorer les prévisions à court terme.
Ce travail relie la distillation au problème fondamental de la prévisibilité du climat : la barrière de prévisibilité printanière d'El Niño. Il est montré que la complexité des données d'entrée nécessaire pour une prévision réussie est maximale précisément lors du franchissement de cette barrière, ce qui est cohérent avec les conceptions physiques de signaux précurseurs faibles.
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 distillent un ensemble de 50 approximations probabilistes parcimonieuses optimales en entropie (eSPA) pour prévoir la phase d'El Niño à 24 mois. Ils sélectionnent les modèles performants, regroupent leurs états en 12 superclusters et construisent des matrices de transition, ce qui permet de reconstruire les trajectoires typiques des événements. Les modèles distillés conservent la précision de l'ensemble et fournissent des cartes d'importance des caractéristiques physiquement interprétables.
Où est sa force
L'interprétabilité est ici intégrée à la structure même du modèle, et non ajoutée après coup : les superclusters et les matrices de transition fournissent des explications stables et physiquement cohérentes des prévisions, adaptées à l'analyse causale.
Vers où avancer
À essayer
Pourquoi cela peut compter
Les modèles distillés peuvent servir d'outil de diagnostic compact pour les centres opérationnels de prévision, permettant de suivre l'évolution d'El Niño en temps réel et de mieux comprendre les sources de prévisibilité au-delà du barrière de printemps.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.50, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
L'ensemble de 50 modèles pour chacune des 24 échéances de prévision et 252 dates de départ donne 302 400 modèles analysés dans ce travail. La distillation les compresse à seulement 12 super-grappes par échéance, soit 25 200 fois moins.