L'oscillation de Madden-Julian (MJO) est la composante dominante de la variabilité intrasaisonnière sous les tropiques. Elle se manifeste comme une onde planétaire équatoriale qui naît dans l'océan Indien et se propage vers l'est à une vitesse d'environ 5 m/s, avec un signal marqué sur les nombres d'onde zonaux 1 à 3 et des périodes de 40 à 90 jours. La MJO module l'évolution des moussons, la prévisibilité des latitudes moyennes et le déclenchement des événements El Niño, ce qui en fait un facteur critique pour les prévisions allant de quelques jours à une saison. Cependant, la MJO est par nature intermittente et désorganisée ; sa nature multi-échelles, due au couplage non linéaire entre convection et circulation à grande échelle, reste une source majeure d'incertitude dans les prévisions. Cette complexité maintient un écart dans la capacité à modéliser et prédire les transitions du temps tropical, défiant à la fois les approches théoriques et les modèles numériques. Ce travail se situe en marge : il y a peu de voisins proches, les plus proches dans les archives s'occupent de modèles de diffusion, d'apprentissage automatique et de structure à grande échelle de l'Univers, mais ne relient pas les modèles génératifs à la théorie climatique de basse dimension.
Le modèle est basé sur une architecture U-Net standard avec des transformeurs, étendue par une dimension temporelle, et entraîné sur la réanalyse ERA5 du CEPMMT. Les données couvrent les tropiques (35°N–35°S) sur une grille de 5.625°×4.375° (64×16 points) de 1960 à 2022, avec une résolution quotidienne. Les champs utilisés sont : UBC (différence de vent zonal à 850 et 200 hPa), ZBC (différence de géopotentiel), Q400 (humidité spécifique à 400 hPa) et OLR (rayonnement sortant à grande longueur d'onde). La climatologie et la variabilité interannuelle ont été retirées des données à l'aide d'un filtre de Butterworth avec une coupure à 120 jours, afin d'isoler les anomalies intrasaisonnières. Les conditions de basse dimension comprennent l'indice RMM modifié (RMM-UBC), les plongements saisonniers doyc et doys (sinus et cosinus du jour de l'année) et l'indice de température de surface de la mer Niño 3.4 (n34sst). Le modèle a été entraîné sur des séquences de 16 images (jours) avec deux voies d'intégration des conditions : globale via des blocs ResNet et attention croisée pour l'attention spatiale et temporelle. Pour générer de longues séquences, un débruitage en briques (Brick-Wall Denoising) avec un décalage de 3 images a été utilisé. L'entraînement a pris environ 12 heures sur deux GPU A100, et la génération d'un enregistrement de 60 ans environ 30 minutes.
Le modèle est capable de reproduire l'enregistrement d'entraînement en générant des séquences de MJO intermittentes dont l'amplitude et la phase suivent précisément les conditions pc1 et pc2. Les spectres de puissance en nombres d'onde et fréquences montrent un signal MJO prononcé (k=1–3, périodes 30–90 jours), ainsi que des ondes liées à la convection : ondes de Kelvin, de Rossby, mixtes Rossby-gravité et inertio-gravité. Cependant, le modèle est biaisé par rapport à ERA5 : les ondes équatoriales CC-Kelvin et MRG sont moins prononcées, ce qui s'explique par une cartographie incomplète des conditions de basse dimension sur la variabilité de haute dimension et par la non-gaussianité des données. L'échantillonnage en ensemble (10 réalisations) a montré que la moyenne d'ensemble lisse le signal MJO, tandis que l'écart type reflète les variations saisonnières avec un maximum en hiver dans le bassin chaud de l'ouest et du centre du Pacifique, en accord avec les processus convectifs désorganisés. La différence entre une réalisation individuelle et la moyenne d'ensemble révèle des ondes de Kelvin et de Rossby générées librement, qui varient d'un échantillon à l'autre. En utilisant des conditions idéalisées, le modèle génère une MJO éternelle avec une période constante de 65 jours et une amplitude de 1.2 écart type, et les composites montrent une propagation vers l'est et une structure quadripolaire conformes à la théorie. L'ajout d'une modulation saisonnière a révélé des différences entre les MJO d'hiver et d'été : les spectres d'été sont plus asymétriques et présentent des ondes CC-Kelvin plus prononcées. Avec une modulation ENSO sur un cycle de deux ans, les composites ont montré une intensité, une étendue et une propagation vers l'est accrues de la MJO après El Niño par rapport à La Niña, ce qui correspond aux observations.
Ce travail se distingue des voisins des archives en reliant pour la première fois la diffusion vidéo générative aux indices théoriques de basse dimension de la MJO, transformant les métriques climatiques en moteurs génératifs réglables. Cela permet de tester des hypothèses sur la dynamique tropicale en déconstruisant les processus via des prompts idéalisés contrôlés. L'approche comble le fossé entre la théorie de basse dimension et la complexité atmosphérique de haute dimension, offrant un cadre pratique pour intégrer l'apprentissage profond avec l'interprétabilité physique dans la modélisation du système terrestre. Contrairement aux méthodes purement prédictives ou explicatives, la nature probabiliste de la diffusion projette ici les états de basse dimension sur la variété des réalisations de haute dimension physiquement cohérentes.
Les perspectives incluent l'amélioration du modèle pour réduire les biais dans la représentation de la MJO, par exemple via un mise à l'échelle appropriée des données (transformations de puissance ou quantile) pour lutter contre la non-gaussianité. On pourrait évaluer systématiquement la sensibilité aux paramètres du modèle et déterminer quelles variables latentes de basse dimension conviennent le mieux pour piloter la variabilité de la MJO et ses modulations. L'approche pourrait être étendue à d'autres problèmes climatiques où une théorie de basse dimension est établie mais où un lien avec la complexité spatio-temporelle est nécessaire. En fin de compte, le « prompt climatique » pourrait clarifier le lien entre la dynamique planétaire de la MJO, les ondes équatoriales liées à la convection qui y sont intégrées et les modulations externes.
La méthode pourrait améliorer la prévision de l'atmosphère tropicale en fournissant un générateur rapide de scénarios MJO réalistes pour les prévisions d'ensemble. Elle est également utile pour étudier la physique de la variabilité tropicale et tester des modèles théoriques.
Les prochaines étapes comprennent l'atténuation des biais du modèle via des transformations de données et une évaluation plus systématique de la sensibilité aux hyperparamètres. Il reste également à déterminer les variables de basse dimension optimales pour le prompt et à vérifier l'applicabilité de l'approche dans des tâches de prévision.
Ce travail est directement lié à un problème non résolu en sciences de l'atmosphère : comment concilier les modèles théoriques de basse dimension de la MJO avec la complexité complète de la convection et de la circulation tropicales. L'approche proposée offre un pont via la modélisation générative, permettant d'explorer les mécanismes de modulation de la MJO par les saisons et l'ENSO dans des conditions contrôlées.
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
Le travail utilise un modèle conditionnel de diffusion vidéo pour générer la MJO, entraîné sur la réanalyse ERA5 et piloté par des indices de basse dimension (RMM, saison, ENSO). Les séquences générées reproduisent les caractéristiques clés de la MJO, notamment les composites, les spectres et les ondes associées. Le prompting avec des conditions idéalisées permet de déconstruire les processus.
Où est sa force
Le lien entre la théorie de la MJO en basse dimension et la complexité atmosphérique en haute dimension, établi grâce à un modèle génératif, permet d'explorer de manière contrôlée les moteurs physiques.
Vers où avancer
À essayer
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.49, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
La génération d'un enregistrement de 60 ans de MJO prend environ 30 minutes, ce qui est comparable en coût de calcul aux modèles de complexité intermédiaire. De plus, le modèle peut créer des scénarios contrefactuels, comme une MJO éternelle avec une période constante, impossibles à observer dans la nature.
L'idée de « prompter » un modèle climatique évoque le contrôle du temps dans les récits de science-fiction, où les scientifiques règlent des paramètres et obtiennent des réponses prévisibles mais réalistes. Cependant, ici il ne s'agit pas de manipuler l'atmosphère réelle, mais seulement d'explorer ses jumeaux virtuels.